Podcasts about itali

Nederlandse kolencentrales draaien harder dan in jaren, terwijl ze in 2030 juist moeten sluiten voor de klimaatdoelen. Energiedeskundigen die door het FD zijn geraadpleegd, zeggen nu dat sluiten onverstandig is: het maakt Nederland afhankelijker van gascentrales en levert amper klimaatwinst op. Energieredacteur Eva Rooijers legt uit waarom de discussie oplaait. Lees: Experts: sluiten kolencentrales is onverstandig en levert klimaat niets op Hittestress, bodemdaling, overstromingsgevaar: klimaatrisico's raken ook de vastgoedmarkt steeds meer. Taxateurs beschrijven die risico's vaker in hun rapporten, maar prijzen ze zelden in. Moet dat wél gebeuren? Vastgoedredacteur Bas Knoop en klimaatredacteur Eva Selderbeek bogen zich over die vraag. Lees: Woning minder waard door extreem weer? Inprijzen klimaatrisico’s wordt betwist in de vastgoedsector Aperol Spritz is inmiddels goed voor 29% van de omzet van Campari Group, tegen 24% in heel 2024. Daarmee is het oranje aperitief de succesvolste merkovername van Campari in dertig jaar, en neemt het bedrijf de distributie in Nederland vanaf oktober zelf ter hand. Van Bruno Mars' concert in Milaan tot elk terrasje in Nederland: Aperol is booming. Correspondent in Italië, Marc Leijendekker, dook in het bedrijf achter de hype. Lees: Aperol: het oranje Italiaanse mixdrankje dat uitgroeide tot vlaggenschip van Campari Redactie en montage: Jort Siemes & Sophia WoudaPresentatie: Sophia WoudaSee omnystudio.com/listener for privacy information.

WhatsApp verwijdert bij het comprimeren van afbeeldingen onbedoeld het watermerk dat aangeeft dat een foto met AI is gemaakt. Daardoor kunnen detectietools niet meer zien of beelden zijn gegenereerd of bewerkt door kunstmatige intelligentie, terwijl de EU volgens de AI Act juist robuuste markering van AI-output verplicht stelt. Techredacteur Niels Kooloos ontdekte het probleem toen een met ChatGPT gemaakte vakantiefoto na verzending via WhatsApp niet meer als AI-beeld werd herkend. Griekenland onderzoekt of Patriot-raketten vanaf Kreta de belangrijke NAVO-basis Souda en andere Amerikaanse infrastructuur beter kunnen beschermen tegen mogelijke Iraanse aanvallen op Europees grondgebied. Europaverslaggever Stefan de Vries wijst erop dat andere bases in Bulgarije en op Cyprus ook in beeld zijn, terwijl Athene een directe aanval op Griekenland zelf zeer onwaarschijnlijk noemt. Tegelijkertijd piept en kraakt het nieuwe Europese asiel- en migratiepact, nu landen als Oostenrijk, Zwitserland en Duitsland asielzoekers willen terugsturen naar Italië en Rome overdrachten blokkeert. In België is grote woede ontstaan over de bosbrand in de Hoge Venen, omdat ministers eerder dit jaar al zijn gewaarschuwd dat het land onvoldoende voorbereid is op natuurbranden. Politiek commentator Bart Eeckhout wijst erop dat België te weinig eigen bluscapaciteit heeft en afhankelijk is van onder meer Nederlandse helikopters, terwijl de Waalse overheid beperkte middelen heeft en de federale begroting diep in het rood staat. Intussen keert de discussie terug over hoe defensie-investeringen ook kunnen worden ingezet voor klimaatgerelateerde risico’s, terwijl de extremere zomers met hittegolven, wateroverlast en bosbranden zich naar verwachting blijven herhalen. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

De Rijn in Nederland staat historisch laag. En ook andere rivieren in Europa staan lager dan ooit. En dat levert door heel Europa problemen op. Waar worstelen we mee, langs deze belangrijke levensaders? En dit zal niet het laatste laagwater zijn. Wat zijn manieren hoe we ons hier op kunnen aanpassen? In podcast De Dag een rondje door Europa. Hoe raakt de Rijn de industrie en de binnenvaart in Duitsland? Wat is de invloed van de lage Donau op het koelen van kernreactoren in Roemenië en Hongarije? En wat kunnen boeren in Italië nu ze heel moeilijk nog water uit de Po kunnen halen?  Reageren? Mail naar dedag@nos.nl (mailto:dedag@nos.nl) Presentatie & montage: Marco Geijtenbeek Redactie: Max Smedes

In Italië daagt oud-generaal Roberto Vannacci premier Giorgia Meloni uit vanaf haar eigen rechterflank. Meloni voelt zich daardoor gedwongen verder naar rechts op te schuiven. Tussen India en Pakistan loopt de spanning op. India wil meer controle over de Indusrivier, waarvan Pakistan voor landbouw en drinkwater afhankelijk is. Pakistan dreigt met “alle middelen” te reageren. Hoe reëel is een waterconflict tussen twee kernmachten? In Bureau Buitenland Zomertafel: historicus en Italië-kenner Arthur Weststeijn en buitenlandredacteur bij Trouw en voormalig Zuid-Azië-correspondent Aletta André. Presentatie: Nadia Moussaid

Luister hier naar Borrelpraat Extra. (Extra aflevering komt een dag later deze week!) Ga naar belsimpel.nl/samsung en ontvang met de code borrelpraatxbelsimpel direct al €200 korting op jouw nieuwe Samsung Foldable. Samsung Galaxy Z Fold 8 Ultra Samsung Galaxy Z Fold 8 Samsung Galaxy Z Flip 8See omnystudio.com/listener for privacy information.

Deze week hoor je het verhaal van onze correspondent in Italië Marc Leijendekker. Hij ging op bezoek bij de 500 jarige wapenfabrikant Beretta. In de familie villa in de noordelijke valei Gardone Val Trompia sprak hij de vijftiende generatie, en huidige ceo, Pietro Gussalli Beretta (64). Mede dankzij zijn strategie is het bedrijf vandaag de dag een mondiaal wapenimperium. En hij heeft nog veel meer plannen. Voorgelezen en gemonteerd door Sophia Wouda.See omnystudio.com/listener for privacy information.

70 jaar geleden ontstond er brand in de steenkoolmijn in Marcinelle. Het vuur verspreidde zich snel en slechts 13 mensen overleefden de ramp. 262 mijnarbeiders stierven in de Belgische mijn, meer dan de helft waren Italianen. “In de put telde je afkomst of moedertaal niet.” ­ 23 van de dodelijke slachtoffers in Marcinelle kwamen uit het Italiaanse dorp Manoppello. Gelokt door de belofte van een mooi loon en sociale voordelen zakten ze als gastarbeiders af naar België. Italië-correspondent Ine Roox ging kijken hoe dat trauma het Italiaanse dorpje nog steeds tekent. “Het leeft hier harder dan bij ons”. ­ De instroom van Italiaanse gastarbeiders is intussen uitgedoofd, maar toch is de impact ervan nog heel tastbaar. Bij ons, onder meer in Limburg, maar ook op Europees niveau, zegt Ine Roox. “Door hun bloed te laten in België, hebben de mijnwerkers een stap gezet naar de heropbouw van ons land, na de oorlog, maar ook naar Europese integratie.” ­ Welke gevolgen had de grootste mijnramp uit de Belgische geschiedenis 70 jaar geleden in Italië? En wat merken we vandaag nog van die historische band tussen Italië en België? ­ Journalist Ine Roox | Presentatie Niels De Keukelaere | Redactie Illa De Preter en Tara Van Eycken | Eindredactie Illa De Preter | Audioproductie en muziek Brecht PlasschaertSee omnystudio.com/listener for privacy information.

De aanhoudende droogte in Nederland zet waterafhankelijke industrieën steeds meer onder druk. Vaarwegen als het Twentekanaal en het kanaal van Gent naar Terneuzen zijn (gedeeltelijk) gestremd, verzilting bedreigt cruciale zoetwaterbronnen als het Brielse Meer en bedrijven vrezen miljoenen euro’s schade terwijl zij aandringen op meer duidelijkheid en regie van waterbeheerders en het kabinet. Intussen kondigen meteorologen mogelijk de warmste week van de zomer aan, in wat al de warmste zomer ooit is met een gemiddelde van 19,6 graden. In grote delen van Europa zoals Italië, Spanje en Oostenrijk lopen de temperaturen op tot rond of boven de 40 graden en zorgen langdurige hitte en droogte voor toenemende overlast en risico’s, gevoed door klimaatverandering en hardnekkige hogedrukgebieden boven Noordwest‑Europa. Op het moment dat president Poetin een bezoek bracht aan de Russische stad Krasnojarsk gebeurde er iets opmerkelijks: op het moment dat bewoners gingen tanken, waren de benzineprijzen gehalveerd. Dat is volgens Rusland-correspondent Joost Bosman geen toeval: dit gebeurt veel vaker in het land. Dat terwijl Poetin zelf geen idee heeft wat er aan de hand is. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

De aanhoudende droogte in Nederland zet waterafhankelijke industrieën steeds meer onder druk. Vaarwegen als het Twentekanaal en het kanaal van Gent naar Terneuzen zijn (gedeeltelijk) gestremd, verzilting bedreigt cruciale zoetwaterbronnen als het Brielse Meer en bedrijven vrezen miljoenen euro’s schade terwijl zij aandringen op meer duidelijkheid en regie van waterbeheerders en het kabinet. Intussen kondigen meteorologen mogelijk de warmste week van de zomer aan, in wat al de warmste zomer ooit is met een gemiddelde van 19,6 graden. In grote delen van Europa zoals Italië, Spanje en Oostenrijk lopen de temperaturen op tot rond of boven de 40 graden en zorgen langdurige hitte en droogte voor toenemende overlast en risico’s, gevoed door klimaatverandering en hardnekkige hogedrukgebieden boven Noordwest‑Europa. Op het moment dat president Poetin een bezoek bracht aan de Russische stad Krasnojarsk gebeurde er iets opmerkelijks: op het moment dat bewoners gingen tanken, waren de benzineprijzen gehalveerd. Dat is volgens Rusland-correspondent Joost Bosman geen toeval: dit gebeurt veel vaker in het land. Dat terwijl Poetin zelf geen idee heeft wat er aan de hand is. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

Trump lijkt er alles aan te doen om de rente omlaag te praten, maar tegelijkertijd zorgt vrijwel alles wat hij doet of zegt juist voor een hogere rente. Zo is daar de geldverslindende oorlog met Iran. Volgens de Minister van Oorlog Pete Hegseth liggen de kosten tot op heden op U$ 37 miljard. Marktschattingen liggen boven de U$ 100 miljard. Bovendien zorgt de oorlog voor een hoge benzineprijs en dus een hogere inflatie, waardoor de Fed de rente wel moet verhogen. De markt prijst inmiddels minimaal één renteverhoging in. Voor de oorlog ging men nog uit van drie renteverlagingen. Daarboven op komen Trump’s belasting verlagingen. De One Big Beautful Bill kost een bescheiden U$ 4000 miljard in de komende 10 jaar. Dat komt allemaal bij het begrotingstekort. Kredietbureau Fitch denkt dat het financieringstekort dit jaar op maar liefst 7,9% uitkomt. Kortom de Amerikaanse staatschuld zal waarschijnlijk ergens in de komende maanden de U$ 40.000 miljard mijlpaal bereiken. U$ 40.000.000.000.000! Dat is U$ 115.000 voor iedere Amerikaan. Even ter vergelijking in Nederland ligt dat cijfer op eur 21.000 per inwoner en (in) Italië op eur 61.000. De rente wordt niet alleen bepaald door de geldvraag van de overheid, maar ook van de private sector. De enorme geldhonger van Big Tech doet ook nog een duit in het zakje. Die U$ 752 miljard die Big Tech alleen al dit jaar investeert moet wel ergens mee gefinancierd worden. Uit de cashflow lukt dat niet meer. Hoe meer vraag naar geld, hoe hoger de prijs. De prijs van geld heet rente. Door al die factoren bij elkaar staat de rente op Duitse staatsobligaties bijna op het hoogste niveau sinds 2011 en die van de Verenigde Staten bijna op het hoogste punt sinds 2007. Door de sussende woorden van Scott Bessent, dat de Iranoorlog nu echt bijna is afgelopen (nee, nu echt) is de obligatie rente de afgelopen paar dagen een beetje afgekoeld. Maar het blijft een risico factor. Het doet me een beetje aan 1987 denken. Ook toen was de obligatie rente flink aan het stijgen. En ook toen negeerden aandelen beleggers de rentestijging. Totdat zwarte maandag kwam natuurlijk en toen was opeens Leiden in last. Michael Burry, bekend van het voorspellen van de kredietcrisis van 2008, maakt die vergelijking ook al. Voordat u gelijk op de rode verkoopknop drukt, wil ik wel even wat kanttekeningen plaatsen. De rente op Amerikaanse staatsobligaties steeg in 1987 in een halfjaar tijd van iets boven de 7% naar boven de 10%. Dat is wel even een andere orde van grootte dan de huidige 4,6%. En voor wat Michael Burry betreft, de afgelopen acht waarschuwingen sinds 2021 zijn allemaal (nog) niet uit gekomen. In het verleden bleek duidelijk dat stijgende rente niet goed is voor aandelen. Het alternatief voor aandelen wordt simpelweg aantrekkelijker en dus schuift er geld van aandelen naar obligaties. Vooral het 5% niveau lijkt daarbij een breekpunt te zijn. Maar goed, zover zijn we nog niet. Tot die tijd lijkt de markt zich vast te houden aan de wijsheid van mijn tante; “je moet geen zorgen maken over ongelegde eieren”. Tot die tijd kunt u rustig slapen, maar ik zou wel de wekker op 5% zetten. Over Corné van Zeijl Corné van Zeijl is analist en strateeg bij Cardano en belegt ook privé. Reageer via c.zeijl@cardano.com. Deze column kun je ook iedere donderdag lezen in het FD.See omnystudio.com/listener for privacy information.

In aflevering 83 praat ik, Martin, over een paar mooie fietsroutes in Europa waar je een mooi weekend van kunt maken en wat de kosten ongeveer zijn. We hebben een verslag van Robbie z'n 7,5 km run in het prachtige marmergebied in Toscane Italie, met veel klims op een bloedhete dag. De Corsa di Marmo is niet de grootste loop van Italië. Niet de snelste. Niet de bekendste. Maar misschien is dat juist de charme. Je hoort een mooi audioverslag van zijn ervaring daar afgelopen zondag 2 augustus. Verder de Runningkalender, koffie in Bergen en de unieke run van deze week in de halve marathon van Mount Rushmore in South Dakota USA. Veel luisterplezier.

Watch the full episode on YouTube:We first covered Baseten last year when DeepSeek mania was at peak hype. Now they have raised a monster $13B round and become one of the new cohort of AI Infra decacorns that are (with Nvidia, Intel, and the semis complex) chief beneficiaries of the Inference Inflection. We return to Baseten at the peak of the 2026 edition of Open Weights debate. Ali has published a viral breakdown of Kimi K3:And since you last saw him, Philip has spoken at AI Engineer and written the definitive book on Inference Engineering spotted all over SF:Three years ago, inference engineering barely existed as a category.Today, it is one of the most critical disciplines in AI. Inference engineering inherently tackles a different question than standard model training: “How do you turn those weights from training into a product that is fast, reliable, and affordable at scale?” Focusing on these creates an entirely new optimization problem.In one recent GLM-5.2 experiment, quantizing more of the model actually preserved its benchmark quality while increasing throughput by 20%, because the errors introduced in different layers could cancel each other out.Inference is no longer just the final step after training. It is becoming its own engineering discipline, with its own research problems, infrastructure, and increasingly specialized roles.In this episode, Baseten's Philip Kiely and Ali Taha join swyx and Vibhu to explain what actually happens after a new open model is released and what it takes to turn “we generated a token” into a fast, reliable, production-ready API.We go deep on cache-aware routing, disaggregated prefill and decode, quantization, speculative decoding, KV-cache movement, model parallelism, GPU kernels, and the race to make frontier models up to 10× faster. Philip and Ali explain why inference optimizations can still produce gains of 20%, 100%, or even 200%; how quantization errors can cancel one another out; why identical weights can behave differently across clusters; and how Baseten grafted a Kimi vision encoder onto GLM-5.2 without changing the underlying language model.The conversation then expands beyond LLMs into NVIDIA Dynamo, mega kernels, Rubin, AI-specific chips, local inference, video generation, diffusion versus autoregressive models, and the enormous compute barrier to generating coherent long-form video. Finally, we explore the convergence of training and inference, continual learning through persistent KV cache, and the emerging loop where models help optimize the infrastructure that runs them.We discuss:* What happens when a 200,000-token request enters an inference system* Cache-aware routing and reusing previously computed KV cache* Why prefill and decode are increasingly handled by different GPUs* When dedicated deployments become cheaper and more reliable than shared APIs* How speculative decoding uses a smaller model to accelerate a larger one* Tool calling, structured outputs, and what LLMs actually do* What it takes to support a new open model on day zero* Grafting Kimi's vision encoder onto GLM-5.2* Retrofitting inefficient model layers with components from other architectures* Why models sometimes collapse into repeating the same token* How hardware, kernels, and race conditions create nondeterministic failures* Preserving model fidelity while making inference faster* How quantization errors can cancel each other out* Why inference optimizations still deliver gains of 20%, 100%, and 200%* How optimized serving can make a model up to 10× faster* NVIDIA Dynamo, KV-aware routing, and distributed model serving* Speculative decoding the speculative decoder* Why local AI is about making models less dumb while data-center AI is about making them less slow* Tensor, expert, and pipeline parallelism across GPUs* Hardware-aware model design, auto-tuning, and the case against mega kernels* Rubin and why inference is becoming a systems problem* Whether modern GPUs are evolving into programmable AI ASICs* Why enormous models like Kimi K3 require GB300-class hardware* Why open-source video generation still trails Veo, Kling, and other closed models* The quadratic attention bottleneck behind long-form AI video* Autoregressive video, real-time generation, and compounding quality drift* Why future video systems may combine autoregressive and diffusion architectures* Training for inference and inference for training* Continuous post-training, deployment, evaluation, and improvement loops* How GLM-5.2 helped optimize the kernels serving GLM-5.2 itself* Why faster networking could unlock dramatically faster decoding* Continual learning, KV-cache compaction, and persistent model memoryShow Notes* How to build a day-0 API for Kimi K3* 22580: From GPT2 to Kimi3, ExplainedPhilip Kiely* LinkedIn: https://www.linkedin.com/in/philipkiely* X: https://x.com/philipkiely* Inference Engineering: https://www.baseten.co/inference-engineering/Ali Taha* LinkedIn: https://www.linkedin.com/in/aliestaha/* X: https://x.com/waterloointernTimestamps00:00:00 Introduction and the 200K-Token Prompt00:03:18 Dedicated Deployments, Speculative Decoding, and Tool Calling00:11:26 Launching Production-Ready Open Models00:19:06 Model Retrofits, Failure Modes, and Nondeterminism00:28:22 Quantization and Canceling Errors00:32:15 The Race to 10× Faster Inference00:40:48 Dynamo, Speculation, and Local vs. Data-Center AI00:50:18 Model Parallelism, Auto-Tuning, and Mega Kernels01:00:55 Rubin, GPUs vs. ASICs, and Custom AI Chips01:10:03 Giant Models and the Limits of GPU Memory01:12:42 AI Video, Quadratic Attention, and Autoregressive Generation01:21:47 Audio, Images, and Diffusion Models01:27:32 Training, Self-Optimizing Models, and Continual Learning01:40:06 Closing ThoughtsTranscriptIntroduction: Baseten, Waterloo Intern, and Inference EngineeringSwyx [00:00:00]: Okay, we're here in the studio with Philip, old friend from Inference Engineering, the book, as well as Baseten and everything that you've done, you and I have done before, as well as Ali. Welcome.Ali [00:00:15]: Pleasure to meet you.Swyx [00:00:15]: Waterloo intern.Ali [00:00:16]: Waterloo intern, always.Swyx [00:00:17]: When did you get “Waterloo intern” as a handle?Ali [00:00:19]: As a handle? Oh.Ali [00:00:20]: I think the rebranding happened mid-March. When I saw it was open, I was like, “I have to take it. Up for grabs.”Philip [00:00:26]: The problem is that Ali is really good at his job and is not gonna be an intern much longer.Philip [00:00:30]: So we have to figure out who's gonna get the handle.Ali [00:00:33]: Well, I'll pass the torch over to the next intern.Swyx [00:00:34]: Oh, okay. It can be, like, you just pass it to another Waterloo grad.Ali [00:00:37]: To another Waterloo intern. No, bruh.Philip [00:00:39]: Yeah.Ali [00:00:39]: Intern.Swyx [00:00:40]: Intern, yeah.Ali [00:00:40]: And no.Philip [00:00:41]: You gotta get an intern from Waterloo.Ali [00:00:42]: Yeah, I've gotta get an intern from Waterloo.Swyx [00:00:44]: Right.Ali [00:00:44]: But they have to follow the path.Swyx [00:00:45]: Oh, it could, but it could come from Baseten, so it's like whoever Baseten gets from Waterloo.Ali [00:00:48]: Right.Swyx [00:00:49]: Has the title of Waterloo.Ali [00:00:50]: It stays in the ecosystem.Philip [00:00:51]: Exactly.Ali [00:00:52]: Halfway through the internship, you either get it or you're out.Philip [00:00:55]: You should also do, like, a big graduation ceremony where you change the handle.Ali [00:00:59]: Just say it.Philip [00:00:59]: For everybody.Swyx [00:01:00]: You guys are good at ceremonies, clearly. We had a nice launch of the book, very successful. But before we get into all that, I wanna start off with a fun question for you. Okay, you're an expert inference engineer. What happens when I send a long query, say two hundred thousand tokens into Baseten's inference? What's the process of query through GPU model routing, balancing, all that? What is all the stuff that we don't think about?Long Context Requests, KV Cache, and Cache-Aware RoutingPhilip [00:01:26]: With a long query specifically, the first thing that I'm gonna ask is, “Have you sent me this query before, or at least part of it?” and I really hope you have, because it's gonna be a lot easier for me and a lot cheaper for you. So the first thing that we're gonna look at is some cache-aware routing, where we're going to see, we probably have a number of instances, a number of replicas up serving whatever model you're hitting. We want to send this one to something with, number one, available prefill workers, and number two, ideally some cached input already there so that we can skip prefill on at least part of these two hundred thousand tokens. If you're doing two hundred thousand tokens, it's probably coding or a multi-turn agent or something where you would expect to have that cached. If you don't, we're gonna have to send it to a prefill worker. We've at least on certain models disaggregated prefill and decode, so you're going to have one set of GPUs that's solely going to process the input, create the KV cache, and get you your first token, and then that's going to be passed over to a separate set of GPUs, which is going to run decode. We're going to iteratively make those tokens. We're probably going to have some speculator model in front of that. I'm going to assume that you're doing coding, and because of that, our speculator model, which assumes you're doing coding, is gonna have a high draft token acceptance rate. If I'm wrong and you're asking me to summarize every Harry Potter book, it's gonna be slower. And then we stream that output to you and account for it, charge you, a couple of pennies and say, “Hey, would you like to send another one?”Swyx [00:03:04]: Except Baseten doesn't charge by pennies.Philip [00:03:07]: Well, yeah, we charge. I'm assuming that we're talking about the public model APIs. If you are setting up a dedicated deployment, then yeah, it's not pennies.Public APIs vs. Dedicated DeploymentsSwyx [00:03:18]: Yeah, one of the key differentiators when I was talking with Baseten initially was that people who want very high volume just need to rent by the box, ‘cause then it's up to you to figure out how to saturate the box.Ali [00:03:31]: And more often than not, it's, like, way cheaper if you're pushing, like, millions of tokens per hour, if you just pay per hour instead of pay per token.Philip [00:03:37]: Yeah, they do. I think that we've increasingly seen a lot of demand for the pay per token APIs, just because everyone wants to try open models, and then once they find a use case that's really sticky, then they move over to dedicated.Swyx [00:03:51]: Is there a best practice on when it's time to swap over?Philip [00:03:54]: Couple reasons. Yeah, reliability, that's a big one, right?Ali [00:03:57]: Like, if they have a very specific use case, they want you to train something specifically for them, like they want their own spec dec, for instance, for their own traffic.Swyx [00:04:04]: Spec dec is speculative decoding.Speculative Decoding and Custom SpeculatorsAli [00:04:05]: Speculative decoding, yeah.Swyx [00:04:07]: You have to explain.Ali [00:04:07]: Sorry. Like, speculative decoding is like, if you have a huge model, right? And so the model is going to be generating one token at a time every single turn, every single forward pass. So we attach, like, this little, like, parasite, like this layer that goes on top of the model, and this model just has to predict. It does three very fast autoregressive forward passes, and it will predict, like, three certain tokens, and then you do one forward stage over the entire original model in order to see if those predictions were correct or not, and then you accept them or you reject them. Now, this draft model is traffic specific, so if you, like, Philip said, if you're summarizing Harry Potter books, I can train exclusively that draft model on Harry Potter books, and I can guarantee you that I'm gonna accept the three tokens every single time. And so with that case, I increase your decode speed. I wouldn't be able to provide this to you if you're a shared endpointSwyx [00:04:53]: YeahAli [00:04:53]: ‘cause I have no idea if you're doing Harry Potter, if you're doing coding, if you're doing English. We don't know. Also, there was a thing in the book that mentioned that if they really cared about a specific threshold, chapter four, I think. Do you remember that?Philip [00:05:06]: Yeah. The things that you can do is you can set a specific, like, batch sizing, a specific, like, parallelism strategy if you're trying to optimize for, like, throughput versus latency. You can. Maybe a NVFP4 quant doesn't pass your benchmarks and you wanna run a model at higher precision, you could do that. There's just a bunch of reasons why you might wanna have your own endpoint and the biggest one, of course, just being, like, you don't have to deal with someone else doing a hundred million tokens of benchmarking traffic at the endpoint when you happen to be trying to serve your users.Swyx [00:05:40]: Yeah. I think one thing that is. That is a classic journey. Like, it's people is asking the, what happens when you type Google into the browser. Tool calling, is that just, you're generating JSON or is there more complication beyond that?Tool Calling, JSON, and Structured OutputsAli [00:05:58]: Certain customers that we have, they have their own post-trained models, and so they demand a tool calling that's not just, like parse a file or go find the weather. It's something that's very specific and you have to do post-training on this. And if the post-training on the model is not good or if the quantization after the post-training to get the inference to be fast, the model will struggle reading the JSON file and reading the tool calling. But it doesn't require its own like sandbox. It's not like it's going to use that tool calling to like escape a sandbox or like it doesn't have to be contained. It can just be a normal dedicated deployment. The challenge with tool calling more and more seems to be that the companies want certain tool calling which is a very sensitive thing to train. And because you're dealing with all of the JSON outputs, if it doesn't like close the end of the request in a very certain manner, you end up with a model that did the tool calling and like the thinking and so as a result of that, it didn't see the result and just hallucinated the result as it decoded. That seems to be the most challenging thing with tool calling, not really the sandboxes model.Philip [00:06:56]: Yeah, that's a challenge on the training side and then on the inference side, there's work that you can do to scope the possible output. So we published this at this point close to two years ago, the solution to this problem which is you make a state machine and you use that to constrain the output to a specific format. So this is the structured output problem. If you remember backSwyx [00:07:27]: Yeah, the specific grammar is,Philip [00:07:29]: Yeah, exactlySwyx [00:07:30]: GML had this thing.Philip [00:07:31]: Yeah. So it's like the old-school “make sure this is only JSON”, return only JSON orSwyx [00:07:38]: YeahPhilip [00:07:38]: Grandma's gonna die type of prompts.Swyx [00:07:39]: Is it BNF grammar? At some point OpenAI had released a thing that was like, yeah, if you want to constrain your output, write BNF grammar, back as NOR.Philip [00:07:47]: In our inference system, it's just a specified output format. And you get the guarantee that your output's gonna be structured along that format. And so applying that to tool calls can like help cut down on. You can still call the wrong tool or call no tool. It doesn't solve the certainty problem but it at least solves the output structuring problemSwyx [00:08:10]: YeahPhilip [00:08:10]: Within tool calls.Swyx [00:08:12]: And MCP is just another form of tool, right.Philip [00:08:14]: Yeah, exactly.Swyx [00:08:15]: As far as there's no special thing there.Philip [00:08:16]: The thing I'm always like explaining to people is the LLM is not capable of doing anything. It's only capable of making suggestions of what to do and then if those suggestions are formatted in a certain way and applied to a system that knows what to do with them, then an action occurs.Swyx [00:08:32]: Yeah. Part of the fun stuff is, this is solved outside of tool calling too. Like in an agent loop if the output is not correct or you're right, like reasoning, tool calling was done in the reasoning trace, just be like, “Oh, I don't know what to do. Let me just try again.” And it might get there after a few tries. And on your point of training, sometimes this is harder in smaller models, so you don't have the same exact quality outputAli [00:08:56]: Right.Swyx [00:08:57]: When you just swap from a big model, right?Ali [00:08:59]: Yeah. I will say that, before, I think we need to go back to inference engineering proper.Ali [00:09:04]: But, I had expected that something would replace JSON because it's hard to stream JSON ‘cause JSON must be complete and you must have open and close brackets and everything. So it's hard to parse something or validate something while it's being streamed. So people invented all sorts of things that are like, I forget the name of some of these alternatives, but it's something like TOML, something like YAML. But JSON seems to be dominant still.Philip [00:09:30]: The JSON outputs aren't that long, right? Like you could have a long-- ‘cause tool calls also contain the arguments in them and perhaps for a certain tool you might pass like a very long argument. But my impression of the median tool call is that it's a relatively small number of tokens, right? So I would expect that speculators are generally fairly good at something as formatted as JSON. And so you would have like a pretty fast decode step there and that the streaming wouldn't be as valuable, but maybe I'm wrong about that.Ali [00:10:02]: I think you're also bounded by the software or that the model is gonna integrate with if the software is built with JSON for the tool calls or if the company that you'- if your customer says that this is how our software works and our tools are interfaced with JSON, you can ask them to like, change their software and say like, “Yeah, this is gonna be better for the model.” but like with the right training shouldn't be that much of a difference. Also more profitable if it outputs more tokens probably.Swyx [00:10:25]: Depends on your business model.Swyx [00:10:27]: It really depends. But I will say that, as a writer with like experience a lot with generated output, I do try to move from text to JSON text which is very long JSON, right? Like there's paragraphs in every field because I'm trying to structure it, right?Philip [00:10:44]: Right.Swyx [00:10:44]: I want you to first make factual statements, then make opinions then make bullet point summaries, have dates, have entity references have your sources for references, all these things. Anyway, so these are things that like I think people who really experiment with structural output have to really care about. But, let's, let's recurse up the stack a little bit. Before we started recording, you mentioned something really cool, which is that there's a lot of engineering that-- inference engineering that goes on when a new model provider releases a new model, right? So let's call it GLM-5.2, Kimi K3. I had previously assumed, especially if it's like, well, GLM 5 to 5.1 to GLM-5.2, like that you've supported them before. Is it that much work?What It Takes to Support a New Open ModelAli [00:11:26]: It's a lot of work.Swyx [00:11:28]: Yeah. Okay. So like, a lot of people, all you guys, right whenever a new model launch like, people rush to say like, “Oh, Hugging Face supports this, Fireworks supports this, Spacetime supports this,” and I'm like, “Yeah, of course we support it.” But what goes into that? What goes intoPhilip [00:11:40]: I think it's more than just support it too, right? It benefits the consumer a lot. Like I think it was with Kimi K2.5 or GLM-5.2 the latest, there was an inference war, right? X provider is at 90 tokens a second. The next day we're at 150. The nextSwyx [00:11:55]: I kinda kicked that off with the GLM-5.2.Swyx [00:11:58]: I wrote a Twitter article about. It got like half a million views,Ali [00:12:02]: Based on being numberSwyx [00:12:03]: YeahAli [00:12:04]: Or it's for something else.Swyx [00:12:05]: Yeah. Which,Ali [00:12:06]: Oh my GodSwyx [00:12:07]: Which then got everyone really excited about, hey, how can we, bend tracks a little bit further and,Philip [00:12:14]: There's a difference between support the model, as in I can make a token out of this model, and support a model, as in I have a production-ready API from this model.Philip [00:12:26]: Getting to the point of I can make a token out of this model is not that hard because generally the, open source inference engines, vLLM, SGLang of the world oftentimes even receive weights ahead of time, maintainers do, or the people making the model merge PRs to ensure support. So you generally can, just get it working on the standard open source stack without too much pain in most cases. The challenge is, every inference company is gonna have own proprietary stack. Some open source components, some in-house stuff. And for any arbitrary model, there's going to be some new stuff. Sometimes you get lucky, like K, two five to two six was, like, pretty similar.Quantization, Speculators, and Production ReadinessAli [00:13:16]: Yeah. It was pure continued post-trainingPhilip [00:13:18]: YeahAli [00:13:18]: If I remember correctly.Philip [00:13:19]: Even in those cases, there's still stuff you have to do. You have to redo the quantization work. You're taking the model from. Generally, these models are not released in NVFP4, and we want them to be in NVFP4 for maximum Blackwell compatibility. So we have to perform that quantization, and, calibrate the quantization to make sure that we're not causing any regression in the model's intelligence. And then we also have to train the speculator, as we've talked about. Generally, we have. We have ZDR, zero data retention on our model APIs, so we don't know exactly the traffic that people are sending us, but we know what's popular. We know that coding use cases are popular. We know that agents, agentic use cases are popular. So we can get public data sets that are representative of that traffic and train general speculators. Now, with speculators today, you need to train the speculator using the base model itself because you're getting hidden states out of the model from running inference on these specific prompts, and that is the training data you use to create the speculator. So there's that process which you need the real model weights for. And then there's of course just the process of, standing up all the infrastructure behind it, loading all this stuff, testing it. And then when there's a new model with a newer architecture, I think that, like, the DeepSeek models tend to be the most challenging as they have, like, the most novel architectural stuff going on, model after model. But every new model has something. Kimi K2 had. Oh, sorry, GLM-5.2 hadAli [00:14:53]: Sparse attention.Philip [00:14:54]: Yeah,Ali [00:14:54]: YeahPhilip [00:14:54]: the DSA.Ali [00:14:55]: Right. Which is brought from DeepSeek.Philip [00:14:57]: Yeah. AndAli [00:14:59]: So you can copy-paste then?Philip [00:15:01]: It kindAli [00:15:01]: I don't know how this works.Philip [00:15:02]: So, like we had to, like, build support for that into our runtime. And you're right, like it is really interesting the way that all of these open source labs borrow from each other. For example, like GLM-5.2 doesn't have vision. So something that, Haley, a guy on our team, if we could take a look at this, he, like, grafted the Kimi vision encoder onto GLM-5.2.Retrofitting Vision into GLM-5.2Ali [00:15:27]: We'll be training the projector.Philip [00:15:28]: Exactly. So if you think about, like, the encoder, there's the encoder, which is the part that looks at the image and turns it into latent information, and then there's the projector which likeAli [00:15:38]: You can say latent space. It's okay.Philip [00:15:41]: And then there's the projector that maps it onto, the model itself, and then there's the model weights. You don't wanna mess with the model weights because you run a chance of making the model dumber at something else for the purpose of giving it vision. So instead, Haley started with just a projector, which is only a handful of millions of parameters.Ali [00:16:02]: That would be, yeah.Philip [00:16:02]: Yeah.Ali [00:16:03]: Can you show the training one?Ali [00:16:04]: Like the way it groksPhilip [00:16:05]: YeahAli [00:16:06]: Very interesting.Philip [00:16:06]: And maybeAli [00:16:07]: That right therePhilip [00:16:07]: Maybe Ali, you should take it from here. You've got a betterAli [00:16:10]: Ooh, double the sandPhilip [00:16:11]: Understanding of this than I do.Ali [00:16:11]: Yeah. You can see, like, he. The way he trained this is really cool. At the beginning, he was training it using just like, “Here's a picture of a mountain. Can you describe what's in this mountain?” And that caused it just like the first, learning walls. Like here you can see this all we're trying to teach it is to translate the encoded. Like it's already taken the encoder from Kimi K. It's taken the image. It'Philip [00:16:31]: Yeah. FrozenAli [00:16:31]: FrozenPhilip [00:16:32]: With adapter.Ali [00:16:32]: Exactly.Philip [00:16:33]: Yeah.Ali [00:16:33]: So the brain is frozen and the eyes are frozen. It's just we're tryingPhilip [00:16:37]: AlignAli [00:16:38]: Interconnect between the eye and the brain, right? So the projector. And so you take the tokens and then he's like, “Oh, can you describe what's in this image?” And he's like, “Oh, it's a mountain,” or it's a person or it's a human, whatever the case is. But that didn't cause complete understanding. So he changed it such that every image was associated with a data set of questions. Like, does this image have a white male? Does this image have birds in the top corner? Does this image have a scientist in it? All of that stuff. And it would have to answer questions correctly. And using not just training on describing an image, but being able to answer question, another question, answer over time. Like you can see the grokking, which is like genuinely insane, that retrofitting vision into a large LLM can learn to that extent. And even for images that it doesn't perform well on, for instance, if you ask it a picture of like Stephen Hawking, “Who is this?” Maybe it doesn't get it, but it will say something like, “This is Albert Einstein.” Like it still understandsPhilip [00:17:25]: Close enoughAli [00:17:26]: That this is a scientist who is a man who has, some significant achievements, all that stuff. So that's like really cool.Philip [00:17:32]: Yeah. So, we've covered Hao Tian before, who the author of the LLaVA paper that did this, a while ago. And I think that's very foundational work for anyone who hasn't done vision work before.Ali [00:17:41]: Same with the CLIP and MetaCLIP, where you go from just captioning to building out questionsPhilip [00:17:47]: RightAli [00:17:47]: Off the image and how much better you can get performance.Philip [00:17:50]: Right. Right. Right. Yeah. But what's, what's so exciting about this is if you look at a model like this. Now, this is a little bit more of a research project. It's not. It got to 56% on MMLU Pro, I think. So not quite frontier. But if you're running this model, you haven't suffered any loss on your GLM-5.2 quality. If you don't have an image, it'll just behave exactly the way it used to. And ultimatelyAli [00:18:14]: Which in the inference code you literally do not include the other part, right?Philip [00:18:18]: Yeah. You would just skip the encoder if you don't have an image input.Ali [00:18:22]: Okay.Philip [00:18:22]: Just confirming.Philip [00:18:23]: YeahAli [00:18:23]: Does it affect a lot on the overall inference side? Like you're not adding much, you're adding a very small vision encoder. These are typically likePhilip [00:18:30]: They're super fineAli [00:18:31]: Less than a billion parameters, right?Philip [00:18:32]: Yeah. It's, - There's a little bit less standardization among vision encodersSwyx [00:18:37]: YeahPhilip [00:18:37]: So the support matrix can be a little bit, sparser. But overall, yeah, it's a pretty, it's a pretty minor component of the overall system. And ultimately what you get out of the system is all of a sudden you have Kimi Vision, GLM weights, and DeepSeek attention all in one model.Open Source Model Grafting and Franken-MergesPhilip [00:18:56]: And that's, I think, a lot of the power and beauty of open source, is that you can take all of these different components and combine them together into a system that's better than anyoneSwyx [00:19:05]: YeahPhilip [00:19:05]: Can be individually.Swyx [00:19:06]: People used to say that you would also do Franken-merges where you would take likePhilip [00:19:10]: YeahSwyx [00:19:10]: Layers from each model.Swyx [00:19:11]: Does anyone do that anymore?Ali [00:19:13]: Well, to your point previously when you were mentioning like, the work that goes into supporting a model when it first comes out, like GLM-5.2 or MiniMax M3 or whatever the case is. Sometimes you do have to like, you do have to switch out some things. Like, for instance, the MiniMax M3 head uses full attention, and with full attention you end up with this like insane bottleneck in spec dec ‘cause you're doing auto-regressive token generation for three tokens, and you're doing this like N squared over all of the tokens that are in your sequence. Your KV cache is like very large because it's not sparse, it's not top K. So we find it better to like, okay, we're gonna replace this, we're gonna replace this layer with a layer from another model that's using like GQA, for instance. And then just with the right training, you can get it to have the same acceptance rate. So it is very possible to retrofit layers from other models and very much needed. If a layer is like inefficient, the training just becomes the challenge, like how do you ensure that you train it properly? Which again to your earlier point is like the mesh between training and inference. As in like you need very good training in order to do fast inference. That's like, I feel like more and more becoming true.Swyx [00:20:21]: Yeah. Anything else on the support side when you say like get it to fully production ready?Loop Detection, Race Conditions, and Non-DeterminismPhilip [00:20:26]: Yeah. I think that there's also a question of just, we can test a model to a pretty extensive degree, but we're trying to get it out quickly and then you see a bunch of other people test it and you get interesting results. There was an issue with, GLM briefly where we had some like mode collapses where it would just output the same token over and over again for certain prompts on certain temperatures. Like once you expose an endpoint to the real world, there's going to be, so many more varieties of things given to it that you're able to, discover and patch things. So it's not just a, day zero process, it's then like for the first week, for the first month, if a model remains popular, like how do you both fix bugs and then continue to push the envelope on performance?Ali [00:21:21]: What do you mean you don't want your model outputting S?Swyx [00:21:24]: Is there loop detection on that stuff, by the way? It still happens like quite a lot, which is surprising.Ali [00:21:30]: We have like we, in our endpoint, like if a model was to output the same token like four plus times, we just cut the generation. We say like, “Oh, sorry, this-- Like try again,” or like we will reprocess the request. ‘Cause we know then, like if it, like if, yeah, it's four times the same token, it's probably collapsed.Swyx [00:21:45]: Yeah. Is there a way to opt out in case I really want that?Ali [00:21:48]: You want that?Ali [00:21:50]: I think there's a way that we have to handle it. I'm not exactly certain, but I feel like in certain models, like when they output something like you can imagine, like a table for instance, and so they want, they wanna draw like 12 dashes and 12 dashes. Yeah, I think there's a way for that to happen. I think we only do it on certain tokens. Like we exclude certain special characters.Swyx [00:22:07]: Yeah.Ali [00:22:07]: So we only do it on like certain like S is the most common almost. GLM-5.2Swyx [00:22:11]: OhAli [00:22:11]: And I think it was DSV 4 as well. Like you'd just have like looping issues where like you literallySwyx [00:22:17]: ItAli [00:22:17]: Just have like S.Swyx [00:22:18]: Yeah. Is there a special, something special about S? No, just randomlyAli [00:22:21]: It just seems to be the one token involved.Swyx [00:22:23]: Yeah. And it'Philip [00:22:24]: Is thereSwyx [00:22:24]: And it's only temperature 0Ali [00:22:27]: NoSwyx [00:22:27]: Even at other temperaturesAli [00:22:27]: Even at like 0.9 or whatever, it will still, it will still collapse.Swyx [00:22:30]: That's weird, right?Ali [00:22:30]: It's, it is an inference problem to be honest, like a software problem. Like oftentimes, the image you run will-- like NVIDIA will release an image for instance, and if we will upstream the changes from their latest TensorRT-LLM image into our stack, we'll find that it fixes it. Or oftentimes this will only happen in an inference engine that you're using like SGLang. But if you were to switch to vLLM, that isn't the case. So it seems to be like an extremely like deterministic software issue and not really a model issue. It's not like a weights problem. Like I'- we'll say like, “Oh, it's a problem with the quant. We did PTQ wrong,” right? But that isn't, that doesn't make sense because the same weights used with a different inference engine does not repeat the problem. And sometimes it's, the kernels that are being used in the backend have like these very subtle sometimes race conditions, where if you were to use this model hosted on one cluster, you will never get this problem.Swyx [00:23:19]: Oh my God.Ali [00:23:19]: But if you host it on a different cluster, you will. And the reason is the KV cache transfer from a node to node in that one cluster is using a slower interconnect than the node to node in another cluster. So that exposes the race, whereas in another cluster it doesn't. So then you end up just like, okay, this model is not gonna be hosted on this cluster. We're gonna host it on, another cluster because that cluster exposed that problem. But then it ends up with like, okay, is it the software? Is it the model weights or is it the hardware?Swyx [00:23:42]: There is a thing about this with temperature 0 still not being deterministic, right?Ali [00:23:46]: Right.Swyx [00:23:46]: Mostly because of hardware. Even at temperature 0 same model, you won't always get the same output.Swyx [00:23:52]: Even-- But I'm surprised by the race condition one because, I thought PyTorch was a graph that like guarantees that you at least, execute things in the right order.Ali [00:24:02]: Well, yeah, true. Like I'm not, I'm not saying that there is. Like well, you have things like PTL optimizations where like you can start a kernel before the end of the previous kernel, and that's like ‘cause you want to do that because there'sSwyx [00:24:12]: It's like pipeliningAli [00:24:12]: Expense. Exactly.Swyx [00:24:13]: Yeah.Ali [00:24:13]: But it'- But you don't do it cleanly. Like you overlap a little bit of the execution. No, it is very possible that the kernel itself, like that one block that is supposed to be running in this instance of time, that kernel itself has a race condition. For instance, like a missing barrier. Like often if you're designing a kernel and you want it to make it to be very fast, if you don't test it extensively, you'll, you'll have certain threads access data points from registers before they've been written to by other threadsSwyx [00:24:36]: YeahAli [00:24:36]: For example, because like your barrier is wrong or your synchronization was wrong. But yeah, like the testing itself is very difficult in those like, andSwyx [00:24:42]: And there's no like borrow checkerAli [00:24:45]: What does that mean?Swyx [00:24:46]: Like Rust. Like the. If you're trying to have like memory safety It sounds like a comparable problem.Ali [00:24:52]: Well, yes, but you're working in CUDA, right, NVIDIA GPUs. Like- You just need a higher level language like modular Maybe that's what modular is supposed to do. I don't know.Quantization Quality and Vendor FidelityVibhu [00:25:00]: How do you see keeping quality of the model? So you talked about all these steps of, okay, you gotta do quantization, train your own speculative decoderAli [00:25:07]: RightVibhu [00:25:07]: Run on different hardware. Looking at other model providers, okay, you kicked off a inference speed race on the consumer end. What goes into keeping quality the same across them, right? Sure, you can run benchmarksAli [00:25:22]: YeahVibhu [00:25:22]: But, like, how do you determine how much quantization are there standards? What goes intoPhilip [00:25:27]: There's a few things on quality. Most inference optimizations are lossless. KV caching, for example. You are just recomputing or preventing recomputing the same values. Speculation, of course, if a draft token is wrong, it gets rejected. The main lossy optimization is quantization. And that really comes down to, number one, data format, number two, which parts of the model you choose to quantize, which layers, and number three, like doing a lot of calibration on the quantized weights, to ensure that you're preserving all the outliers. There's other tricks that you can do, though. A big one is long context, ‘cause one thing you asked at, right at the beginning is, “Oh, what's gonna happen if I send a 200,000 token request in?” So with a long input sequence, you need to, store a lot more information. You need to process a lot more tokens. And so even if a model has a context of a certain length, you might, as an inference provider, choose to build an API with a shorter context length, and of course a full length one as well. Because if someone doesn't need the full million token context, for example, you can get them better performance. I don't know if that's exactly like quality of the model. The way that I think about quality is to what degree are we faithfully serving the original model? If you think of a golden implementation of a model that performs exactly the way the model is designed to perform, I think of quality as how close are we getting to that, 100% fidelity of the model.Philip [00:27:13]: You can also, of course, think about quality from the training side and how do you push yourself past 100%. But when I think about purely inference optimizations, it's getting faster while staying as close to that 100% fidelity mark as possible. And certainly our standard internally is that, like you should not be able to tell the difference between our API and a, official API. I think Kimi in particular does a good job of vendor benchmarking hereAli [00:27:41]: YesPhilip [00:27:41]: Where they haveAli [00:27:42]: They released an actual vendor benchmark.Philip [00:27:43]: Exactly, yeah.Ali [00:27:44]: ‘Cause they accused, some people, Amazon? There was some provider that was not doing very well on Kimi's benchmark.Philip [00:27:50]: Yeah.Philip [00:27:51]: So, with Reflect we probablyVibhu [00:27:52]: This was a long time ago, right?Philip [00:27:54]: No.Ali [00:27:54]: Yeah, like threeVibhu [00:27:55]: They alsoAli [00:27:55]: Four, five months agoVibhu [00:27:57]: This also happened with, I don't remember which model, but they pulled out quite a few, and then they started a whole chart about this. It might have beenPhilip [00:28:03]: Kimi Vendor Verifier.Ali [00:28:04]: Yeah.Philip [00:28:05]: Yeah.Ali [00:28:05]: Yeah, ‘cause you, ‘cause you'd be pissed, right? Like if you'Philip [00:28:07]: Yeah.Ali [00:28:07]: If like if I'm a consumer and I'm using like Amazon's endpoint for instance, and I've used Kimi and I'm like, “Oh my God, like this is bad,” I'm not gonna say, “Oh, Amazon quantized the model in a bad way.” I'm gonna say, “Oh, Kimi sucks.” Right?Philip [00:28:17]: Yeah.Ali [00:28:17]: So it seems like that makes sense.Philip [00:28:19]: Yeah, they care. They care.Vibhu [00:28:21]: Justifiably.Ali [00:28:21]: Yeah, justifiably.Vibhu [00:28:22]: This is probably a stupid question, but just checking, has anything improved from main quantization?Philip [00:28:28]: Yeah.Vibhu [00:28:28]: Like, is quantization always strictly worse?Ali [00:28:30]: Well technicallyVibhu [00:28:32]: NoAli [00:28:32]: It's a lossy. QuantizationPhilip [00:28:33]: YeahAli [00:28:33]: Is a lossy, it's a lossy implementation.Philip [00:28:36]: Speed improvesVibhu [00:28:36]: Speed improves.Ali [00:28:37]: It the number, likeVibhu [00:28:38]: No, I' always look for inverse scaling laws.Philip [00:28:40]: Yeah.Ali [00:28:40]: Yeah.Vibhu [00:28:40]: This is something I learned from Noam Brown, where like things that normally act in one direction sometimes do.Philip [00:28:45]: Well, technically when you run a benchmark, because these models are deterministic, sometimes your,Ali [00:28:52]: YeahPhilip [00:28:52]: NVFP4 quant is like, two basis points higher than yourAli [00:28:56]: No, it's noise. It's noise.Philip [00:28:57]: Yeah, exactly. I'm like, yeah, it's, it's within. That's why I always say within margin of error.Philip [00:29:01]: And I stopped saying that because everyone assumes that what is, well, within some margin of error, we're barely inside of that to the worst, so we're saying. But yeah, sometimes it's just like, gives you a higher output score. But like Ali said, that's noise. To my knowledge, you're not necessarily making the results better. You're just trying to, again, like keep your fidelity as close to 100% to the original model.Layer Selection, KL Divergence, and Better QuantizationAli [00:29:27]: There is, to your point, research that we did on MP. I don't know if you are able to pullPhilip [00:29:31]: YeahAli [00:29:32]: A tweet we did. One of our research interns, Joshua, I think it's a tweet on how we have 20% better quantized GLM-5.2 than NVIDIA. Essentially what we found throughout like this month research is, okay, quantization is a lossy. It's. You're compressing the data from, occupying 16 bits to occupying, four bits, for instance. And so you're losing some information, and you're trying to minimize that. And so when I say that I'm gonna quantize the model, my job becomes how do I find the layers that I can quantize, and how to find the layers to not. For instance, with image models, I don't quantize modulation layers, and I don't quantize out projections because those two are. Like out projection is what you see as the user. Modulation is what the model sees or understands. Right, exactly. And so to his paper, do you have the. It doesn't have the. Yeah. It's a long paper. I don't know if I can findVibhu [00:30:25]: If there's a part to search or it's probably in the thread.Ali [00:30:28]: It's probably in the thread.Vibhu [00:30:29]: Yeah.Ali [00:30:29]: But the long and the short is it is very possible that quantizing more of the model makes the results. Like if I have a model that I quantize layers one, five, and 10, and another model where I only quantize layers one and It is possible that the model in which I quantized more information is going to perform better because the quantization errors have canceled out. And so what Joshua showed in his mathematical proof where he had like a verifier in, is that you can predict which layers are going to have quantization errors that will cancel out with each other, and you choose to quantize those layers. And so the result of doing this mathematical quantization is you end up with a model that's 20% more quantized than another provider, so you get 20% more throughput of it because there's more layers than running an NVFP4, and your quality is better than that other quant because the layers that you chose to quantize have their errors cancel out, like one layer skewed to the right one layer skewed to the left, one layer skewed to the right. Your final logits distribution is more similar to the original distribution of the model, so you have better fidelity. And so the way we proved this was with KL divergence. So instead of just scoring on the benchmarks, we scored the KL divergence between the logit distribution of the quantized model and the logit distribution of the original full precision model, and we showed that with this technique we get. If your probability distribution on the logits which token it wants to select is more of the same as the original model, you're probably gonna end up staying true to the original model. So yeah, so it seems like previously before this, it seemed like the industry was, well, the more you quantize, the worse it's gonna be, ‘cause the more loss you introduce. That's not exactly, not necessarily true. So yeah, doesn't improve it, but can cancel out.Philip [00:31:57]: I think it might be this, but reminds me a good bit about pruning where you can prune off certain layers.Philip [00:32:03]: But very interesting. Didn't know this was a whole paper you guys put out.Ali [00:32:06]: It's. Fun fact, it was originally 72 pages, this paper, and then we decidedPhilip [00:32:11]: WowAli [00:32:11]: We can't tell. We couldn't release it. So it's now 45.Swyx [00:32:15]: Still 39 pages, so very substantive. We talked about evals and all these things and, like what's possible in terms of speedup? Like it's like probably like the numberInference Speedups and BenchmarkingSwyx [00:32:25]: Thing that people do wanna care about, and it's something that you wrote about in your post. Like official API is 70 tokens per second, and you push it up to 90. Is that like a normal thing?Philip [00:32:36]: So what's cool about working in inference, the reason that I think inference is going to be a useful place to do engineering for a long time, is that if you look at highly optimized domains like, say, finance, if you're in finance, you measure how much better you got in basis points. It's like, “Oh, I got five basis points better, like twentieth of 1% better,” that's huge news because everything is so optimized. When we publish optimizations, it's 20%, it's 100% it's 200%. So there's still probably like a lot further to go, honestly. Like you'll, you'll know that inference is pretty much solved when researchers start publishing about how they got 1% faster at something.Swyx [00:33:19]: Which by the way, because I am from the finance background, in the ‘70s, that was the margin at the time. When you did quantitative finance research, you would findAli [00:33:27]: And like 20%, tens of percent.Swyx [00:33:29]: That's. Yes.Philip [00:33:29]: Yeah.Swyx [00:33:30]: And now it'Philip [00:33:31]: Tiny fractionsSwyx [00:33:32]: For those people interested, look up Andrew Lo's paper. He had a really interesting illustration of quant, stat arb, distribution, narrowing down from like those kinds of 20% differences in the ‘70s, down to nothing today, which is very cool.Philip [00:33:48]: Exactly, and we're at the beginning of the same type of thing. Now benchmarking is hard. I think anyone will tell you that, and benchmarking provider speeds is hard because there's so many variables that go into it. What hardware are you using? How much load do you have on the system? What's the exact nature of the prompts and input and output sequence lengths? All that stuff. But overall, when you start stacking these improvements, you're looking at multiples. You can look at it. The most common form, of course, is TPS, tokens per second, which is bad naming by us in the industry, ‘cause there's two tokens per second. There's tokens per second, the throughput number, and the latency number.Ali [00:34:31]: TTMT, yeah.Philip [00:34:32]: Like total tokens per second out of the, out of the GPU as a throughput number. Most people only care about tokens per second as the latency number, which we should call ITL, intertoken latency, but we don't.Philip [00:34:44]: Anyway, so you can imagine a standard API without many optimizations for a 1 trillion parameter model operating somewhere in the 30 to 50 tokens per second range for reasonable traffic profile. And we generally see the goal of, pushing to 10X that. But, not necessarily day zero, but by stacking enough optimizations, if you have, say like four optimizations, each of which doubles performance. Or sorry, three optimizations, each of which doubles performance, then you stack that up, that's an 8X gain. That's the order of magnitude that we're working with in this space. We're trying to make things substantially faster, not just go from like 70 to 90.Swyx [00:35:38]: Are you saying you've. You have done that?Philip [00:35:40]: So let's say you have as a reasonable baseline, 30 or 40 tokens per second. You can achieve 10X that. So like on GLM-5.2, if you run it unquantized, perhaps on H100s even, and you're just using an off-the-shelf inference engine with no particular optimizations, no speculator, nothing extra around like KV routing, no disaggregation, you're, you're probably, yeah, looking at that like 30 to 40. You think that's like a reasonable baseline?Swyx [00:36:12]: Right. Right.Philip [00:36:12]: To get to something like 10X, there's a lot of trade-offs that you're making. If we're running at more like a 300, 400 tokens per second range, you are using the best hardware possible. You have a optimized speculator. You have done all of your quantization work. You are Seeing a pretty high cache hit rate. You are running with a reasonably small batch size and a parallelism configuration that is tuned for latency versus throughput, but it is possible. So the spreads that you see if you, like, go on artificial analysis or you go on OpenRouter and you look at, the worst provider to the best provider, oftentimes can hit that range. 10X is of course very aggressive. It's oftentimes maybe more of a four to six times improvement. But that's the performance that makes us really excited, is when we can get these huge gains, not just go from 70 to 90 tokens.Stacking Optimizations: NVFP4, Speculation, and DisaggregationAli [00:37:19]: It's also, like, hardware dependent. Like, ifPhilip [00:37:20]: YeahAli [00:37:20]: If you have a thing where you're serving it on just, like, a node of H100s and then you throw, like, you shard the model across, like, four nodes of B200s. Like, you can definitely increase the speed with just throwing more hardware at it. Like, normalizing for the same exact hardware and the same number of GPUs.Philip [00:37:35]: Yeah. Then you're looking at, like, a two to 4X improvementAli [00:37:38]: Right. RightPhilip [00:37:38]: Depending on the inference optimizations. So yeah, it's. Some of it's, what's the call, and some of it's who's the driver.Vibhu [00:37:46]: If you break down the two to 4X, say the example is run GLM-5.2Ali [00:37:51]: YeahVibhu [00:37:51]: On B200sAli [00:37:53]: YeahVibhu [00:37:53]: Single node, right? What's, like, the cost trade-off for effort to get, like, the last bit of juice out versus what should people just think of, right?Ali [00:38:01]: Spectre quantization. Yeah.Vibhu [00:38:03]: Spectre quantization.Ali [00:38:04]: That's, that's, that's like 95%. LikeVibhu [00:38:06]: And how far does that get you? And how easy is that for the average person to do? So say right I wanna throw the weights of GLM-5.2 on a node of B200s, how easy is it to find speculative decoder- decoder model or already quantized model? How much work goes into it?Philip [00:38:23]: If you're doing it up front, it's quite a lot of work. If you're doing it today, there's going to be people who have published things that you can just, you can just grab some NVFP4 weights. You can grab a speculator. Yeah, if we're thinking about, like, what are the 2Xs we're stacking, going from, BF16 to NVFP4 is, it's not quite a 2X, right? It's like. I think it's about, like, 30 to 40%, from 16 to 8, and then another 30 to 40% multiplied from, 8 to 4. So that doesn't quite get you a 2X, but, like, roughly a 2X. Speculator, roughly a 2X. Disagg on top of that if you're able to get enough hardware and put enough traffic through it, another roughly a 2X. And then you add in some, double-digit percent increase from having just a better runtime with, the latest kernels and stuff behind it. And that's how it stacks up.Ali [00:39:21]: YeahPhilip [00:39:21]: So building each of those, like, building the, quantized weights is, for someone who really knows what they're doing, hours to days of work. Building the speculator, again, like, hours to days of work. And the, disagg setup, hours to days. Well okay, but like once you haveAli [00:39:39]: Once set up. Once set up. YeahPhilip [00:39:40]: Yeah, getting disagg working for the first time, I'm saying, of course, is very difficult.Philip [00:39:44]: The marginal implementationAli [00:39:48]: Like, if you're just grabbing, like if you are a person, like just a normal consumer who has access to, like, a node of B200s and you're wondering, “How can I just host it myself?” You don't need to quantize the model yourself. There's always gonna be, like, an open source quantized checkpoint. NVIDIA's gonna push one out if no one else does. You. Usually, the providers will have their own spec dec that they've trained as well. You don't need to train your own spec dec. You can just use that as well.Philip [00:40:09]: Yeah. Like, GLM-5.2 has its own MTP.Ali [00:40:13]: Right. Right.Vibhu [00:40:14]: What's multi token prediction?Philip [00:40:15]: Yes.Ali [00:40:16]: I'm justVibhu [00:40:16]: Can you explain that?Ali [00:40:16]: I'm just an expert.Ali [00:40:18]: I can do it for you in case I get it wrong?Vibhu [00:40:20]: No.Vibhu [00:40:21]: Yeah, you should correct if we're wrong, but their multi-token prediction can be used for self-speculative decoding.Ali [00:40:27]: I'm not sure. I'm not gonna correct that.Vibhu [00:40:28]: Okay. I'm semi-confident in thatAli [00:40:30]: Okay. YeahVibhu [00:40:30]: But someone can check. But it's useful to paint the story of, okay, not just the average person, but say a company wants to switch from serverless inference I wanna throw this up on. I wanna rent some GPUs, throw it up. These are the steps you take to do significantly faster than just put it behind vLLM.Ali [00:40:48]: Right.Vibhu [00:40:49]: I was waiting for a mention of Dynamo.Vibhu [00:40:51]: I feel like, that's supposed to be the baseline that you measure against.Dynamo, KV Routing, and Disaggregation ToolkitsPhilip [00:40:55]: I would think of Dynamo as less of a box system and more of a toolkit for building with. So when we talk about doing aware routing, when we talk about doing KV offloading, when we talk about doing, PD disaggregation, Dynamo fundamentally is. By the way, Dynamo is an open source library from NVIDIA.Ali [00:41:17]: We've done a pod with KylePhilip [00:41:18]: OkayAli [00:41:19]: Kyle Cranin.Philip [00:41:19]: Cool. So then your listeners know then that it supports all the different inference frameworks. And it is multi hardware, which is interesting.Ali [00:41:28]: But it's just a router, it's not like an optimizer layer.Philip [00:41:30]: Yeah. All it does, like, what Dynamo is good at, it is a library for moving information around your cluster, around your hardware. So if you have, KV cache on one place and you need it to be somewhere else, Dynamo coordinates NIXL for you to move that around.Philip [00:41:49]: That doesn't mean that, like, out of the box, you just say, “Pip install Dynamo,” and then you get, like, a massive performance speed up. It's more of a developer toolkit.Ali [00:42:01]: Yeah. I would have said it would. It comes with a set of defaults that you can then swap out.Philip [00:42:06]: It does. If the industry at large, I think, was, like, rolling out all of these deployments, standard, then I think it would be, like, a credible baseline. But, we've got to, we've got to benchmark against, like, what we're seeing in the wild.Speculative Decoding Methods: Medusa, EAGLE, n-Gram, and Spec-SpecVibhu [00:42:23]: I did wanna talk a little bit more about PD disagg, because that is probably, like, number three after quantized and speculative decoding. In your book though, I was just gonna pull out the book.Philip [00:42:31]: Yeah.Vibhu [00:42:32]: Like section 522 on Medusa, 523 on EAGLEPhilip [00:42:35]: YeahVibhu [00:42:36]: 524 on gram.Philip [00:42:37]: It's 55, would be disaggregationAli [00:42:42]: Yeah. Well, no, I just wanted to dwell a little bitPhilip [00:42:44]: YeahAli [00:42:44]: The other. Like, so what do you choose to include? What do you choose to not to include? Because there was all these other techniques.Philip [00:42:51]: Yeah.Ali [00:42:51]: Are these still relevant? Because I think they came out, like, a year and a half ago maybe.Vibhu [00:42:55]: Medusa is quite old.Philip [00:42:56]: Yeah, Medusa's old.Ali [00:42:58]: It was old.Vibhu [00:42:58]: But is it in the book as a good, here'sPhilip [00:43:01]: BaselineVibhu [00:43:01]: Baseline vanilla understand it?Philip [00:43:02]: Like you should know this.Vibhu [00:43:03]: Like I read the paper, I'm like, “ it makes so much sense.”Philip [00:43:05]: Yeah.Philip [00:43:05]: So with the book, I had a couple goals. One was to give people just a working vocabulary for the space as a whole, and the other was to give them some intuition about how each of these techniques works. As I mentioned in my AI Engineer talk, which is the first public addendum to this, the speculation space has moved much faster than everything else. So yeah, even at the time that I wrote the book Medusa, I very much included as a way for people to understand how the space evolved rather than what the most modern technique is. And now of course, there's DFlash, dSpark. There's, there's newer techniques even than EAGLE, although EAGLE is still very commonly used.Ali [00:43:51]: SpecSpecta.Philip [00:43:52]: Yes. Speculative decoding.Vibhu [00:43:54]: What canAli [00:43:56]: Oh, it's a paper by Tri Dao and it's like, it's doing speculative decodingVibhu [00:44:00]: HuhAli [00:44:01]: For the speculative decoder.Philip [00:44:02]: Oh, in spec- oh my God.Ali [00:44:02]: It's literally just an another. It's like, yeah, that's the most simple way to explain it, and it seems like he got trivial speed ups there. But it seems that the complexity with training, it's almost like in our mind at least, it's almost as complex as training GANs. Like it's like a very delicate balance and oftentimes you, it's just but yeah, it's literally speculative decoding on speculative decoding.Vibhu [00:44:21]: Speculative.Ali [00:44:22]: Yeah. We saw this paper.Vibhu [00:44:24]: It's interesting, right?Ali [00:44:24]: Yeah.Vibhu [00:44:24]: I wouldn't even expect it to be very particular to train, I wouldAli [00:44:29]: Right.Vibhu [00:44:29]: The naive part of me is like, okay, train speculative decoder.Ali [00:44:32]: But like, and it makes sense, like the whole idea of speculative decoding is you. It's like, it's like almost like the iPhone auto predict version but for a normal model, right? Like you're just, you're just, generating three tokens and you're like, okay, I'll do prefill on them. And so you save those three turns for your original model. Now your speculative decoder is doing three turns of auto regression, so why not just have an even smaller model?Ali [00:44:53]: The other question there is what are the size of speculators? So say forPhilip [00:44:58]: Right. It's like a billion parameters.Ali [00:45:01]: Like for MiniMax, it's. Yeah. It's like one layer. It's like one 60th of the original model usually.Philip [00:45:06]: Yeah. I think we should do a paper when we get back to the office.Philip [00:45:10]: SpeculativeAli [00:45:11]: SpeculativePhilip [00:45:11]: Decoding.Ali [00:45:13]: No, it's, it does seem like how, when do you stop? But then it also seems like if you're able to train spec-spec decode for instance, right? Like if you're able to have a small model that is accurately predicts what the intermediate speculator is gonna predict, that is able to predict what the original target model's gonna predict, then why not just use that smallest model directly, right?Vibhu [00:45:34]: Yeah. This isAli [00:45:35]: Like it seems likeVibhu [00:45:35]: Adjacent to the routing problem.Ali [00:45:36]: Right.Vibhu [00:45:36]: Yeah.Ali [00:45:36]: Right.Philip [00:45:37]: The thing with speculators is one of the practical constraints on using them is that you do have to run a small model on the same hardware that you're running the big model on. There is a orchestration and resource competition problem inherent in that, and that is one of the constraints on speculation in general, is that draft tokens cost resources to create and cost software complexity to manage. And so if you have like infinitely recursive speculators, you add in quite a bit of that complexity on the actual implementation within the inference engine as well, not just in the training process.Vibhu [00:46:17]: I was gonna say, I would wonder if you could do similar, like distillation and pruning of, it's the same thing, it's just a model. Can we not just distill a lot of the weights, quantize the speculator, out of my domain? The question that also comes up is, this is all for big server workloads, right? How much of this applies to, say I have this MacBook, I wanna run Gemma really efficiently. Similar problems, not the same?Local AI vs. Data Center InferencePhilip [00:46:45]: Pretty different. I talked to Selo, about this on his podcast a couple weeks ago. The difference between inference engineering for the data center and for production workloads versus inference engineering for local AI, is that we start with fundamentally like different constraints and different goals. With local AI, it's how do I fit this model onto my hardware and then make it less dumb? And with data center influence, it's how do I load this model and then make it less slow? And we care about less dumb, and they care about less slow. But the local AI inference engineering ecosystem, I think has a lot for us to learn from in the data center space. They are experts in various forms of quantization, including dynamic quantization that we just don't touch, in the pruning, in the distillation, in the, layer removal. There'Ali [00:47:42]: Layer removal matters less.Philip [00:47:43]: Yeah. There'Ali [00:47:44]: No one loves pruning really.Philip [00:47:45]: Yeah. Well, but the, but they doVibhu [00:47:46]: Which is surprising, right? But that's, that's a whole different thingPhilip [00:47:48]: Just to fit something on the laptop.Ali [00:47:50]: Right.Philip [00:47:50]: So yeah, it's a, it's an interesting, it's an interesting space. Not necessarily that like their techniques make sense for us to do in the data center, because we have different resources and different goals, but more that the process as well as the openness of that field is something to, admire.Ali [00:48:12]: Yeah. Like to your point, like, certain optimizations that would. Like for instance, Turbo Quantum Sharper, like it made such huge hype on that and we did like a whole deep dive on Twitter and like said, what is it? How does it work? Why is it good or not? And it took off and it was implemented on local devices because your memory bandwidth is so slow on like a MacBook, for instance. But try putting the same thing on like an NVIDIA GPU on a B200 Turbo quant would not be. Like, it would not be used. Like, NVIDIA - Like, NVIDIA made it clear that this is not a good optimization, and we've seen it firsthand where the overhead of doing dequantization, quantization of, in the kernel itself with turbo quant kernel, each end is much slower than the time that you save from doing the bandwidth. ‘Cause on the B200s, you have like 3.5 terabytes per second. You don't need decrease the storage that much. You don't need to do, FP4 KV cache. You don't need to use a requant. There's, there's, there's better optimizations to be made. But on Edge devices, it's extremely important, it's extremely useful. So, seems to be, like, different optimizations there, but then they're all uniquely combined with like all you wanna quantize the model, you wanna do speculative decoding, like certain common prefixes with bothPhilip [00:49:18]: Principles.Ali [00:49:19]: Yeah, exactly. Exactly. Exactly.Philip [00:49:20]: They also do a lot of work on, model parallelism, especially over, heterogeneous topology, where you have, some sparks and they are wired together with, Ethernet, DGX sparks.Ali [00:49:35]: Yeah, this is the Exo Labs guys.Philip [00:49:36]: Yeah. You have, a nu

Restaurant La Mia maakt woensdag 5 augustus tijdens de feestweek in Santpoort een tiramisu van 300 meter lang, samen met inwoners, lokale horeca en vrijwilligers. De lengte verwijst naar de kortebaan in het dorp, die precies 300 meter is. Ongeveer honderd mensen bouwen de tiramisu op in stukken van tien meter. Daar gaat onder meer 400 kilo mascarpone in, 400 kilo slagroom en een grote hoeveelheid lange vingers die speciaal uit Italië komen. Daarna wordt de tiramisu gezamenlijk opgegeten. Wie mee wil eten, koopt bij de barren van La Mia voor drie euro een vorkje.

In deze aflevering bespreken we de hilarische en praktische voorbeelden van hondenuitlater-regelgeving in Zwitserland en mogelijke ontwikkelingen in Nederland. We gaan in op de ideeën voor waterflesjes, rugzakken en regels die misschien in Schiedam en elders kunnen komen. Ontdek hoe regelgeving, humor en gemeente-ideeën samen kunnen komen voor een schone en praktische hondenwereld.In deze aflevering:- De absurditeit van hondenpoep en watergebruik in Zwitserland en Italië- Innovatieve ideeën voor hondenwaterzakken en bijbehorende accessoires- Mogelijke invoering van water en poepzakregels in Nederlandse gemeenten zoals Schiedam- De rol van humor en creativiteit in regelgeving voor huisdieren- De praktische en humoristische kant van hondenuitlaten in de zomer- Kritisch kijken naar bestaande infrastructuur voor hondenpoep en water- Discussie over belasting en vergoeding voor milieuvriendelijke poepzakjes- De grens tussen praktische regels en humoristische ideeën in de publieke ruimteTimestamps:00:00 - Hondenbeleid in Zwitserland en waterregulatie00:42 - Wat moet je in Zwitserland en Italië regelen voor hondenuitlaat?01:30 - Hoeveel water neem je mee voor lange wandelingen?01:56 - Beloningen en 'geheime' hondenbeloontasjes voor uitlaten02:47 - Idee voor een mobiele waterzak met herkenbare ontwerp03:14 - Hoe zou een 'rugzak' voor honden eruit kunnen zien?03:42 - Alternatieven voor water- en beloningszakken04:23 - Mogelijke regelgeving in Nederland en de rol van gemeente Schiedam05:23 - Poepzakjes en belasting: hoe kunnen we het beter regelen?#JackJozef #PodcastGemist #storytelling #podcast #YinYang #Media #dog #honden #hondenpoep #hondentips #hondenliefde #waterbak #hondenbeleid #Nederland #Schiedam #humor #podcast SPONSORS- IBV Consultancy- AndreArt.nl- JPSystemsENGLISH CHANNELSVideo : YouTube.com/@JackJozef Podcast: Spotify, TikTok, Instagram & LinkedInWebsite: www.JACKJOZEF.comContact: info@PodcastGemist.nlNEDERLANDSE KANALENVideo : YouTube.com/@podcastgemistPodcast: Spotify, TikTok, Instagram & LinkedInWebsite: www.JACKJOZEF.nlContact: info@PodcastGemist.nl

Donald Trump presenteert via zijn Board of Peace een akkoord waarbij Hamas en andere gewapende Palestijnse groeperingen in Gaza instemmen met een gefaseerde ontwapening. In ruil daarvoor zouden Israëlische troepen stap voor stap uit de Gazastrook vertrekken en een internationale stabilisatiemacht samen met een nieuwe Palestijnse politiemacht de veiligheid gaan waarborgen. Maar van een definitief akkoord is allerminst sprake: Israël heeft het akkoord niet ondertekend en reageert volgens media vooralsnog sceptisch. In Spanje escaleert de situatie rond de exclave Ceuta, waar mogelijk 20.000 migranten na een zwemtocht proberen de EU te bereiken. De lokale overheid vraagt om de noodtoestand, minstens 18 mensen komen om het leven en de regionale regering spreekt van een nationale veiligheidscrisis. Intussen dreigt premier Pedro Sánchez de grens met Marokko te sluiten, terwijl Italië het Schengenverdrag met Spanje deels wil opschorten. Op de financiële markten zetten Apple en Amazon uiteenlopende lijnen neer in hun nieuwste kwartaalcijfers. Apple verwacht door een tekort aan geavanceerde chips een lagere groei dan gehoopt en compenseert hogere kosten met prijsverhogingen en goedkopere modellen, terwijl Amazon juist fors investeert in nieuwe datacenters nu de clouddivisie AWS met 37% groeit en beleggers het expansieverhaal overtuigend vinden. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

Donald Trump presenteert via zijn Board of Peace een akkoord waarbij Hamas en andere gewapende Palestijnse groeperingen in Gaza instemmen met een gefaseerde ontwapening. In ruil daarvoor zouden Israëlische troepen stap voor stap uit de Gazastrook vertrekken en een internationale stabilisatiemacht samen met een nieuwe Palestijnse politiemacht de veiligheid gaan waarborgen. Maar van een definitief akkoord is allerminst sprake: Israël heeft het akkoord niet ondertekend en reageert volgens media vooralsnog sceptisch. In Spanje escaleert de situatie rond de exclave Ceuta, waar mogelijk 20.000 migranten na een zwemtocht proberen de EU te bereiken. De lokale overheid vraagt om de noodtoestand, minstens 18 mensen komen om het leven en de regionale regering spreekt van een nationale veiligheidscrisis. Intussen dreigt premier Pedro Sánchez de grens met Marokko te sluiten, terwijl Italië het Schengenverdrag met Spanje deels wil opschorten. Op de financiële markten zetten Apple en Amazon uiteenlopende lijnen neer in hun nieuwste kwartaalcijfers. Apple verwacht door een tekort aan geavanceerde chips een lagere groei dan gehoopt en compenseert hogere kosten met prijsverhogingen en goedkopere modellen, terwijl Amazon juist fors investeert in nieuwe datacenters nu de clouddivisie AWS met 37% groeit en beleggers het expansieverhaal overtuigend vinden. Deze omschrijving is met AI gemaakt en gecontroleerd door een BNR-redacteur. Over deze podcast BNR Nieuws Vandaag is de podcast met daarin BNR Ochtendnieuws en BNR Avondnieuws. Je krijgt ’s ochtends vroeg en aan het einde van de werkdag in 20 minuten het belangrijkste nieuws van de dag. Abonneer je via bnr.nl/podcast/bnrnieuwsvandaag, de BNR-app, Spotify en Apple Podcasts. Of luister elke dag live via bnr.nl/live.See omnystudio.com/listener for privacy information.

In deze VI ZSM bespreken Tim Reedijk en Matthijs Vegter de laatste ontwikkelingen bij PSV in aanloop naar de Johan Cruijff Schaal. In tegenstelling tot bij Ajax en Feyenoord is het namelijk rustig in Eindhoven. Daarnaast komt ook de terugkeer van Roberto Mancini als bondscoach van Italië aan bod. Tot slot duiken we in het FIFA-onderzoek naar de Argentijnse voetbalbond na de incidenten op het WK. Uiteraard sluiten we af met de belangrijkste leestips op VI PRO. 00:00 - Rust bij PSV03:50 - Myron Boadu weg05:25 - Leo Sauer naar Stuttgart07:10 - Oude held terug naar NAC?08:20 - Transfers bij Ajax10:50 - Nieuwe bondscoach Italië13:10 - FIFA start zaak tegen ArgentiniëSee omnystudio.com/listener for privacy information.

Madonna treedt dit weekend op in Amsterdam in het teken van Pride. Evert Santegoeds en Matthijs Albers bespreken in deze aflevering van Strikt Privé waar de zangeres zeer waarschijnlijk ook zal optreden. Verder is Timothy van B&B Vol Liefde door een goede vriendin voor de bus gegooid. Hoe zit dat? En: André Hazes en Noa Braaf zijn op vakantie in Italië. Gaat er een huwelijksaanzoek komen in de reallifesoap?See omnystudio.com/listener for privacy information.

Extreem laag water is geen uitzondering meer; het is steeds vaker de realiteit. Dat is slecht nieuws voor Nederland, want zo'n 40% van alle vracht gaat over het water. Binnenvaartschepen kunnen minder lading meenemen, transport wordt duurder en bedrijven moeten uitwijken naar vrachtwagens. Hoe kwetsbaar is Nederland als doorvoerland? En is de binnenvaart inmiddels beter voorbereid dan tijdens vorige droogteperiodes? Transportredacteur Hans de Jongh vertelt hoe groot de economische gevolgen kunnen zijn. Lees: Laag water als het nieuwe normaal bedreigt Nederland doorvoerland Het is misschien wel de meest mysterieuze afdeling van Shell: de handelstak. Terwijl oorlogen en geopolitieke spanningen de olie- en gasprijzen flink laten schommelen, verdienen handelaren juist aan die onrust. Het levert Shell naar verwachting opnieuw miljarden op. Maar hoeveel precies? Dat blijft een goed bewaard geheim. En ook de vraag waar die winsten uiteindelijk terechtkomen leidt tot discussie. Energieredacteur Jeroen Groot dook in de gesloten wereld van Shells handelstak. Lees: De lucratieve miljardenhandel van Shell blijft in nevelen gehuld Andrea Pirlo leek de ideale kandidaat om het Italiaanse voetbal uit het slop te trekken. Toch ging zijn benoeming als bondscoach op het laatste moment niet door. De reden: zijn banden met een Russisch gokbedrijf. De ophef legt een bredere discussie bloot, want Italië blijkt nog altijd opvallend verdeeld over Rusland. Hoe komt dat? En welke rol speelt die verdeeldheid in de Italiaanse politiek? We bespreken het met Italië-correspondent Marc Leijendekker. Lees: In Italië zijn de meningen nog opvallend verdeeld over Rusland Redactie & Montage: Jort Siemes en Floyd Bonder Presentatie: Floyd BonderSee omnystudio.com/listener for privacy information.

Deze zomer is Amsterdam het middelpunt van de internationale queergemeenschap. Het is World Pride, twee weken vol feest én protest. Want wereldwijd staan de rechten van lhbti'ers onder druk.Vandaag neemt Italië-correspondent Ine Roox ons mee naar Padua, waar Franca en Ilaria een jarenlange strijd voerden om allebei moeder te mogen zijn van de 7-jarige Matilde.Gast: Ine RooxPresentatie: Gabriella Adèr Redactie: Felicia AlberdingMontage: Gal Tsadok-HaiEindredactie: Nina van HattumCoördinatie: Ignace SchootProductie: Rhea StroinkCorrectie: In een eerdere versie van deze aflevering werd de suggestie gewekt dat de brief die de minister van Binnenlandse Zaken in 2023 aan gemeentebesturen stuurde, rechtstreeks aan Franca en Ilaria is gestuurd. Dit was niet het geval. De brief die Franca en Ilaria als gevolg daarvan kregen, kwam van de rechtbank van Padua. Dit is aangepast.Heb je vragen, suggesties of ideeën over onze journalistiek? Mail dan naar onze redactie via podcast@nrc.nl.Zie het privacybeleid op https://art19.com/privacy en de privacyverklaring van Californië op https://art19.com/privacy#do-not-sell-my-info.

In deze speciale aflevering van De Zaak Ontleed is Anita van Dis te gast. Vanuit het Openbaar Ministerie is zij landelijk coördinator voor het afpakken van crimineel vermogen en de aanpak van criminele geldstromen en witwassen. In 2025 is een record aan crimineel geld afgepakt, namelijk 433 miljoen euro tegen 409,7 miljoen het jaar daarvoor. Toch maakt Van Dis zich grote zorgen over de omvang van het witwassen in Nederland. Een veelvoorkomende vorm van fraude is het gebruik van valse facturen in arbeidsintensieve sectoren, zoals de zorg en de bouw. Een zorgelijke ontwikkeling volgens de officier van justitie, omdat deze constructies lastig te controleren zijn en vaak samengaan met andere vormen van criminaliteit, zoals arbeidsuitbuiting. In deze aflevering legt Van Dis uit hoe overheid, opsporingsdiensten en andere partijen de krachten moeten bundelen om in 2026 nog meer crimineel vermogen af te pakken en welk voorbeeld Nederland kan nemen aan Italië.See omnystudio.com/listener for privacy information.

Voor deze aflevering ging ik langs bij het Maitreya instituut, waar ik een afspraak had met leraar Tibetaans Boeddhisme, Annelies van der Heijden.Zij is betrokken bij studieprogramma's rondom het Tibetaans boeddhisme bij dit instituut dat al ruim veertig jaar bestaat. Tijdens de opname had Annelies, die meer doet bij hetinstituut dan lesgeven alleen, net een drukke periode achter de rug door het bezoek van verschillende leraren in de Tibetaanse traditie.Annelies vertelt hoe zij de manier waarop zij lesgeeft blijft verbinden met waar zij zelf vandaan komt. Opgeleid als diëtiste en van jongs af aan geïnteresseerd in 'het Oosten', waardoor zij al jong begon met yoga. Als diëtiste in een ziekenhuis merkte zij dat zij voor haar gevoel niet echt bij dekern van de problemen waarmee de mensen kwamen kon komen. Tijdens een jaar reizen in zuidoost Azië deed zij een tiendaagse cursus Tibetaans Boeddhisme inNepal. De nieuwe inzichten die zij hier opdeed, onderwezen door een Australische non die behalve scherp ook erg geestig was, grepen haar direct. Terug in Nederland besloot zij naast haar diëtistepraktijk opleidingen tot yogaleraar en tot shiatsu therapeut te volgen. Toen Maitreya in 1979 vrijwilligers voor eennieuw instituut zocht, meldde Annelies zich aan als vrijwilliger en begon daarna al snel yogalessen en shiatsu therapie in een ruimte in het gebouw aan de Amsterdamse Brouwersgracht te geven. Een aantal jaar later diende de mogelijkheid zich aan om in Italië een uitgebreide Tibetaans Boeddhistisch studie-programma te volgen, een kans die Annelies niet kon laten liggen. Hierdoor kon zij, toe zijn jaren later terugkwam inNederland, de cursussen gaan geven zoals ze nog steeds doet.De manier waarop het Maitreya Instituut - dat onderdeel uitmaakt van The Foundation for the Preservation of the Mahayana Tradition - het boeddhisme onder de aandacht wil brengen, dat is wat haar nog altijd inspireert en dagelijks drijft. Het Tibetaans boeddhisme kan mensen echt helpen om in te zien welkecapaciteiten zij zelf hebben en heeft een zichtbare impact op mensen die zich erin verdiepen, is haar ervaring. Annelies vertelt verder over de wijze waarop zij lessen voorbereid en hoe zij studenten probeert te stimuleren, door de traditie te vertalen naar onze huidige tijd en het persoonlijke leven van iedere student. Dat samen met studenten en onderzoeken, is wat zij interessant vindt. Ook het wetenschappelijk deel, zoals de psychologie en dekwantumfysica in relatie tot het Tibetaans boeddhisme, is een aspect dat haar blijft boeien.         Iets bijdragen aan iemands geluk, of hulp bieden aan studenten en hen proberen te raken met de materie, dat is iets waar Annelies blij van wordt. Wees niet te streng voor jezelf, want je kunt in je eentje meer dan je denkt als je probeert elke dag als mens een beetje positieve progressie te boeken.  

Deze week kan u luisteren naar een tweede deel van een film genaamd ‘Don Bosco’. Deze film van Lodovico Gasparini werd uitgebracht in 2004. We bevinden ons voor deze film in Piëmonte (Italië), in de negetiende eeuw. Het is een turbulente periode met politieke, economische en culturele onwentelingen, religieuze spanningen. Don Bosco, een priester uit […]

#483 - Bosbranden? Bij talkshows weten ze het beter! - JACK&JOZEF - Real.Raw.Everyday.In deze aflevering bespreken Jack en Jozef de actuele onderwerpen, variërend van natuurbranden, satellietincidenten tot markttrends, en reflecteren ze op de rol van actualiteiten en dagelijkse onderwerpen in gesprekken en media. Een luchtige blik op de 'actualiteit' en de informatievoorziening in onze samenleving.ONDERWERPEN- De grote bos- en natuurbranden in Spanje, Italië en Frankrijk en de oorzaken zoals droogte en mogelijke sabotage- Het gebruik en de valkuilen van actuele nieuwsonderwerpen, zoals satellietvuurballen en branden, in media en gesprekken- De ontwikkeling van talkshows en de focus op actualiteit versus terugblikken op gebeurtenissen- Markttrends en de verschillen tussen supermarktproducten en marktverse producten, met humoristische observaties over kruiden en groentenTIMESTAMPS00:00 - De rol van de actualiteit00:24 - Reflectie op talkshows en de focus op urgent nieuws01:08 - Het belang van actualiteiten en de rol van teletekst01:41 - Actualiteit, branden en satellietincidenten zoals de vuurbal van Elon Musk02:20 - De impact van droogte en menselijke factoren op natuurbranden02:44 - Mogelijke sabotage en copycats in natuurbranden03:30 - Overzicht van grote brandgebieden in Frankrijk, Spanje en Italië03:58 - Discussie over het ontstaan van branden en oude methodes zoals het opzettelijk in de fik steken van bossen04:10 - Risico's door brandstichting en het belang van defensiemaatregelen04:36 - Over onderwerpen en het gebrek eraan, de humoristische discussie marktproducten05:06 - De variatie van producten op markten versus supermarkten en de eenvoud van smaak#JackJozef #PodcastGemist #storytelling #podcast #bosbranden #fire #natuurbrand #brandweer #droogte #talkshow #Eva #experts #Toekomst SPONSORS- IBV Consultancy- AndreArt.nl- JPSystemsENGLISH CHANNELSVideo : YouTube.com/@JackJozef Podcast: Spotify, TikTok, Instagram & LinkedInWebsite: www.JACKJOZEF.comContact: info@PodcastGemist.nlNEDERLANDSE KANALENVideo : YouTube.com/@podcastgemistPodcast: Spotify, TikTok, Instagram & LinkedInWebsite: www.JACKJOZEF.nlContact: info@PodcastGemist.nl

Er werd druk geoefend door de Nederlandse clubs afgelopen weekend. PSV verloor thuis van Villarreal met 1-3, maar dat duel had een veel hogere uitslag kunnen hebben. Achterin ging er van alles mis bij de Eindhovense club. Ajax en Feyenoord wonnen wel hun oefenduels, met 2-1 van Burnley en Rayo Vallecano. Uit Groningen kwam het bericht dat Dick Lukkien niet meer wil oefenen tegen Griekse clubs en Andrea Pirlo, de beoogde nieuwe bondscoach van Italië, zit nu al in de problemen. Het zijn onderwerpen in de AD Voetbalpodcast. Etienne Verhoeff bespreekt ze met Rik Elfrink en Wout Fassbender praat je bij over Feyenoord en ADO Den Haag. Beluister de AD Voetbalpodcast via AD.nl, de AD App of jouw favoriete podcastplatform. Je kunt de podcast ook bekijken via YouTube.Student en gratis het AD lezen? https://abonnement.ad.nl/studenten/bestellen?productcode=digitaalstudent?utm_source=topics&utm_medium=web&utm_campaign=topics_introductie&utm_content=studenten&utm_term=short_url Bestel het boek De vraag van Vandaag hier: https://webwinkel.ad.nl/product/de-vraag-van-vandaagSupport the show: https://krant.nl/See omnystudio.com/listener for privacy information.

De traditionele zomerhit komt uit Spanje of Italië, of natuurlijk uit Zuid-Amerika. Hij wordt na een zomer vol verse herinneringen mee naar huis genomen uit een vakantieland. Maar wacht eens… de laatste jaren waren de grote hits van de zomer vaak volkse knallers, van Mart Hoogkamer tot Robert van Hemert, en dit jaar ‘Cheerio' en ‘Zwoele Zomernachten'. Hoe kan het dat volkspop ineens de zomermaanden domineert? En ook: deze week begint in Amsterdam WorldPride, de super pride waar we de regenboogvlag voor uithangen.

In deze VI ZSM gaat het over Mark van Bommel die bondscoach kan worden van België, Pep Guardiola van Italië en de transfer van Summerville naar Al-Hilal. Als Oranje al een bondscoach had gehad, was het dan misschien anders gelopen? Dat vragen Jos Boesveld en Sjoerd Keizer zich onder meer af in deze aflevering.See omnystudio.com/listener for privacy information.

De schaduwroof van schrijver Sam Sedgman is het derde deel in de spannende serie De avonturen van Isaac Turner, dit keer over een spannende juwelenroof in Italië. Uitgegeven door Condor Spreker: Roel Dirven

In de FC Afkicken Daily van dinsdag 21 juli bespreken Bart Obbink en Stan Wagtman het laatste voetbalnieuws. Met vandaag onder meer de afwikkeling van het opstootje na de WK finale, de interesse van PSV in Filip Kostic, de transfers van Obispo en Nagalo die niet doorgaan, Feyenoord dat miljoenen voor Hwang binnen heeft en Van Bommel die in de serieuze belangstelling van de Belgische voetbalbond staat! (0:00) Intro en WK-ervaring Stan (5:12) FIFA start onderzoek tegen Paredes (11:40) De lotingen van Twente en Ajax (15:15) Filip Kostic op de lijst bij PSV (18:27) Transfers Obispo en Nagalo afgeketst (20:46) Hwang weg bij Feyenoord (22:08) Tadic niet terug naar de Eredivisie (24:29) België wil Van Bommel (26:56) Guardiola naar Italië?See omnystudio.com/listener for privacy information.

Met vandaag: Houthi's dreigen met sluiten zeestraat Bab-el-Mandeb | Dood Marokkaanse man na arrestatie in Italië leidt tot protesten | Wat heeft een dakloze man aan het Nationaal Actieplan Dakloosheid? | Wereldberoemde organist komt improviseren in Haarlem | Turkse gouverneur ontslagen om het dragen van een wielerbroek | Presentatie: Chris Kijne.

Spanje, het die heersende kampioene, Argentinië, in News Jersey in beseringstyd met 1-0 verslaan om hul tweede Wêreldbeker-titel te buit. Ferran Torres se doel in die 106de minuut het die sege beklink. Spanje spog nou met 38 onoorwonne wedstryde nadat dié land en Italië gelykop was. Spanje is die eerste land wat op dieselfde tyd die heersende kampioene in beide die mans- en vroue-Wêreldbeker is, nadat hulle die vroue-toernooi in 2023 gewen het. Torres sê dis spesiaal om die wendoel aan te teken:

Met vandaag: CDU-fractievoorzitter treedt af na ophef over kind via draagmoeder | Italië gaat vrouwen en kinderen van maffiabazen beschermen | Simon Kuper blikt terug op het WK | Hoe vertaal je de poëzie van Lewis Carroll? | Presentatie: Marcia Luyten.

In de FC Afkicken Non-WK Daily van donderdag 16 juli bespreken Bart Obbink en Jean-Paul Rison het laatste voetbalnieuws. Met vandaag onder meer Zerrouki die zijn gewenste transfer naar Twente binnen heeft, AZ dat Sam de Grand wil, AS Roma dat een bod doet op Summerville, Aubameyang die naar Depor gaat, De Jong die weer zwaar geblesseerd is en wordt Pirlo de nieuwe bondscoach van Italië?See omnystudio.com/listener for privacy information.

Ben jij zo geniaal om Italië te zien als een hoge laars met naaldhak en kleine schoenmaat? Dan zie je in Sicilië vast ook de voetbal die Italië wegschiet in de hoop om zich weer eens te kwalificeren voor een WK. Maar eerlijk is eerlijk, daarmee maken we Sicilië te groot. We moeten niet doen alsof Sicilië de onmisbare schakel is tussen Italië en een glorieuze toekomst. Sicilië is wat de voetbalmetafoor insinueert: een verschoppeling. Een bal die al eeuwen rondgespeeld wordt, over het hele Europese speelveld, voordat hij weer terugkeert aan de voet van een Italiaan die er door zorgvuldig hooghouden voor zorgt dat de bal in bezit blijft. Waar moeten we nu op wachten? Op een tegenstander die de Siciliaanse bal verovert? Of op het moment dat de bal in de sloot verdwijnt en Italië Sicilië voorgoed kwijt is? Laten we inzetten op het gunstige scenario: een fluwelen balbehandeling waarin ze samen de show stelen. Een laars en zijn bal. Aan een touwtje. Klik hier voor meer informatie over het Nederland Dal vrij Abonnement Adverteren in deze podcast, een op maat gemaakte pubquiz als werkuitje of zoek je een andere samenwerking? Mail dan naar info@grotepodcastlas.nl.

Die Europese Unie het sy internasionale ondersteuning vir Palestyne verskerp met die bekendstelling van die “Team Gaza Initiative”. Spanje, Frankryk, Denemarke, die Verenigde Koninkryk, Duitsland, Noorweë, Finland, Italië, Nederland, Japan, Switserland, Swede, België, die Wêreldbank en die Europese Beleggingsbank is deel van die veldtog. Minstens 73 000 Palestyne is volgens berigte in die Israeli-Hamas-oorlog dood. Guillaume Mercier van die EU sê ongeveer 16,83-miljard Namibiese dollar is reeds geoormerk om die mense van Gaza met hul onmiddellike behoeftes te help:

MICAR moest de wildwestjaren van crypto in Europa achter zich laten. De verordening kwam er om consumenten te beschermen, marktmisbruik tegen te gaan en de versnipperde nationale regels te vervangen door één Europees kader. Het idee: haal je in één lidstaat een vergunning, dan mag je met dat paspoort in de hele Unie aan de slag. Nu de deadline achter ons ligt, maken we in dit tweede deel de balans op met Mauro Halve, voorzitter van branchevereniging VBNL en MICAR-trainer bij 2tokens. In de overgangsperiode mochten bedrijven die al bij De Nederlandsche Bank geregistreerd stonden onder het oude toezicht doorwerken aan hun MICAR-vergunning. Op 30 juni 2025 viel het doek. Wie sindsdien zonder vergunning cryptodiensten aanbiedt, is in overtreding. In Nederland was dat geen groot probleem, maar elders in Europa haalden een flinke hoeveelheid dienstverleners hun vergunning last moment. In Nederland stonden ooit 45 partijen geregistreerd bij DNB. Daarvan zijn er nu nog 28 over met een MICAR-vergunning. Dat is fors minder, te verklaren door de hoge nalevingskosten, fusies en overnames, en partijen die simpelweg afhaakten. Toch hoort Nederland tot de Europese koplopers, want de AFM was er vroeg bij en gaf als een van de eerste toezichthouders vergunningen af. Andere koplopers zijn Duitsland en Frankrijk, en vijf landen zijn samen goed voor ongeveer driekwart van alle vergunningen, terwijl Griekenland, Hongarije, Polen, Portugal en Roemenië achterblijven. Malta deelde vlak voor de deadline nog snel vergunningen uit, onder kritische blik van onder meer Italië en Frankrijk. Binance haalde zijn vergunning niet en moet uit Europa vertrekken. De AFM waarschuwde ondertussen tegen MEXC, dat zonder vergunning actief Nederlandse klanten bedient. Ook stablecoins waren een kernonderdeel van MICAR. Dat zijn cryptomunten met een vaste waarde, gekoppeld aan bijvoorbeeld de euro of de dollar. De regels moesten ze inkaderen en tegelijk ruimte geven om te groeien, maar een grote euro stablecoin kwam niet echt van de grond. Tether, uitgever van de grootste stablecoin USDT, vroeg nooit een vergunning aan omdat het zich niet kan vinden in de regels. Tot slot klinkt er in Brussel alweer gefluister over een MICAR2. We bespreken wat er nu buiten de wet valt en of dat in een volgende Europese cryptowet past. Over de podcast Cryptocurrency are here to stay. In deze wekelijkse podcast gidst Daniël Mol je door het belangrijkste cryptonieuws, langs hypes en trends, voor- en tegenstanders en winst en verlies. In het A-deel bespreken we het laatste nieuws en in het B-deel gaan we in gesprek met een gast. Van cypherpunkpioneers tot grootbanken die aan de haal gaan met stablecoins, van Bitcoin tot Ethereum tot CBDC's. Alles passeert de revue.Reageren? Stuur dan een mail naar cryptocast@bnr.nl Gasten Mauro Halve is voorzitter van branchevereniging VBNL en MICAR-trainer bij 2tokens. Links Amsterdam blijkt de crypto-hoofdstad van Europa: een data-analyse van alle 281 MiCAR-vergunningen in de EER, met de deadline rush vlak voor 1 juli en de opvallend TradFi-achtige vergunningen in Duitsland Nu de MiCAR-overgangsperiode in alle 30 EER-landen officieel is afgelopen, staat Nederland op de derde plek in Europa met 28 vergunningen, en hebben alle VBNL-leden hun licentie binnen Ook VBNL blikt terug op het einde van de overgangsperiode en de positie van Nederland als een van de koplopers binnen de EU Host Daniël Mol is presentator en redacteur van de Cryptocast. Hij is sinds 2017 met Bitcoin bezig en kwam in 2021 bij het team van de Cryptocast. Redactie Daniël Mol Matthijs Damsteeg See omnystudio.com/listener for privacy information.

Een kat in het nauw… | NAVO bijeen in Ankara | China’s nucleaire arsenaal Rusland voert zware raket- en droneaanvallen uit op Kyiv, terwijl Oekraïne diep in Rusland olieraffinaderijen en schaduwvloot-schepen bestookt, wat de oorlog verder escaleert. Arend Jan Boekestijn en Rob de Wijk duiden Poetins opschepperij over terreinwinst rond Kostjantynivka als desinformatie die de Russische wanhoop maskeert en wijzen op het risico van horizontale escalatie richting NAVO-grondgebied. De openlijke oorlogsretoriek van Dmitri Peskov maakt mobilisatie juridisch makkelijker en vergroot de druk in een samenleving die al worstelt met benzinetekorten. De NAVO-top in Ankara draait om geld, luchtverdediging en het managen van Donald Trump als nieuwe Amerikaanse president. Zelensky vraagt Patriot-systemen en langdurige financiële steun, terwijl Europese landen nieuwe drone-samenwerkingen met Oekraïne sluiten en Ursula von der Leyen miljarden voor luchtverdediging bepleit. Rob de Wijk schetst hoe Trump onvrede over NAVO-bestedingen en Iran-beleid kan gebruiken om bondgenoten als Italië en Spanje onder druk te zetten, terwijl Mark Rutte balanceert tussen paaien en tegenwicht bieden. In het Midden-Oosten verzwakt Iran de Oman-route en vergroot de greep op de Straat van Hormuz, zonder dat de olieprijs direct reageert. De interne machtsstrijd tussen ultrahaviken, pragmatische haviken en Khameneis kamp vertraagt nucleaire onderhandelingen met de VS, terwijl de begrafenisretoriek richting Saoedi-Arabië, Qatar en Turkije de regionale spanningen voedt. Tegelijkertijd demonstreert China met een raket-lancering vanuit een kernonderzeeër in de Pacific zijn versnelde nucleaire modernisering, wat de wapenwedloop met de VS en de druk op Australië, Japan en Nieuw-Zeeland verder opvoert en de luisteraar met nieuwe zorgen achterlaat. [Samenvatting geschreven door AI en gecontroleerd door mens] Over de Podcast Arend Jan Boekestijn en Rob de Wijk gaan onder leiding van Hugo Reitsma op zoek naar de nieuwe wereldorde. Wat betekenen oorlog, machtspolitiek en economische verschuivingen voor Europa en Nederland? In elke aflevering duiken zij in de geopolitieke actualiteit. Genomineerd voor de Zilveren Reissmicrofoon 2026, winnaar van de Dutch Podcast Awards 2022 in de categorie Nieuws & Politiek. Word lid van B&W Plus op boekestijnendewijk.nl voor de zaterdag-podcast, reclamevrij luisteren en vele extra's! Reageren? Op X: @ajboekestijn en @robdewijk Bluesky: @hugoreitsma.bsky.social Mail: boekestijnendewijk@bnr.nl Over de makers: Arend Jan Boekestijn is een Nederlands historicus en voormalig politicus. Hij studeerde geschiedenis en politieke wetenschappen aan de Vrije Universiteit in Amsterdam. Boekestijn is voormalig Tweede Kamerlid (tot 2009). Sinds 1989 is hij verbonden aan de vakgroep geschiedenis van de Universiteit Utrecht en sinds 2016 lid van commissie Vrede en Veiligheid van AIV. Rob de Wijk studeerde eigentijdse geschiedenis en internationale betrekkingen, promoveerde op kernwapenstrategieën, werd hoogleraar in Leiden en richtte in 2007 het Den Haag Centrum voor Strategische Studies op. Hugo Reitsma studeerde rechten en politicologie. Hij werkte eerder als politiek verslaggever en vanuit verschillende conflictgebieden. Hij is auteur van het boek ‘Boekestijn en De Wijk voorspellen de toekomst’ (november 2023).See omnystudio.com/listener for privacy information.

Zijn Erasmusuitwisseling in Italie maakte van hem niet alleen de Italië-correspondent van VRT NWS, maar ook de echtgenoot van zijn Italiaanse vrouw. Zijn fascinatie voor het land beschrijft hij in zijn boek ‘Theater van de schoonheid'. Wat schuilt er achter die prachtige façade van het land? Wie zijn de Italianen echt? En welke vader wil hij zijn voor zijn 2 dochters?

Een meeslepende roman over familie, hartstocht en ambitie in het zonovergoten Italië, van de bestsellerauteur van De brievenbezorgster van Puglia. Uitgegeven door Wereldbibliotheek Spreker: Marjolein Algera

Met vandaag: Ministers bespreken terugkeer asielzoekers tijdens werkbezoek aan Syrië | De gevolgen van het mislopen van Duitse miljoenendeal voor scheepsbouwer Damen | Megaproces tegen Vlissingse havendirecteuren wegens drugshandel | Literair vertaalster Chiara Nardo uit Italië wint prijs van het Nederlands Letterenfonds | Presentatie: Ajouad el Miloudi

In de FC Afkicken Non-WK Daily van maandag 22 juni bespreken Bart Obbink en Jean-Paul Rison het laatste voetbalnieuws. Met vandaag onder meer het vertrek van Óscar Garcia bij Ajax en de onrust die daar verder heerst, de promotie van Malaga, Ronaldinho die een contract heeft getekend in Italië en wat transfernieuws!See omnystudio.com/listener for privacy information.

Si hi ha un pa

Die minister van Landbou, John Steenhuisen, en sy Italiaanse ampsgenoot, Francesco Lollobrigida, het 'n ooreenkoms van verstandhouding onderteken om samewerking in landbou, landbouverwerking, vernuwing en marktoegang te versterk. Die ooreenkoms is in Kaapstad onderteken tydens die eerste Suid-Afrika–Italië Landbou-sakeforum. Steenhuisen sê die vennootskap het ten doel om handel, belegging en waardetoegevoegde landbouvennootskappe tussen die twee lande uit te brei en voedselproduksie te bevorder:

Oorlog? Chipbubbel? Inflatie, hogere rentes en rooie borden? Joh, paar nachtjes slapen en je baadt weer in het groen. Welkom in de bullmarkt van 2026. We bespreken alle chiplosers die vrijdag in het rood belandden en vandaag weer vleugeltjes kregen op de beurs. Intel doet een megadeal met Google. Marvell mag misschien wel de S&P 500 in. Broadcom plust omdat het wel genoeg afgestraft was en ook de Nederlandse chipbedrijven wisten weer dikke procenten toe te voegen aan hun waarderingen. Verder moeten we écht praten over die meute gnoes uit de Lion King die in Zuid-Korea over de beurs banjeren. De Kospi-index daalde 8.3 procent vannacht. Honderden miljarden dollars aan rijkdom in een avondje weggevaagd. Arend Jan vertelt hoe hij tóch belegt in die malle bende ten oosten van China en natuurlijk filosoferen we nog even over het einde van de geheugentekorten. Overigens is er één index die het nog veel beter deed dan die landelijke indexen vorig jaar. De Euro Stoxx Bank Index knalde zelfs die dikke 75% van Zuid-Korea makkelijk voorbij in 2025. Daarom barst er nu een nieuwe boardroom battle los in Italië. Kemphanen Banco BPM en Intesa Sanpaolo strijden om de oudste bank ter wereld: Monte dei Paschi di Siena. Zou het dan toch kunnen? Europese bankenconsolidatie, binnen de landsgrenzen? We zullen het zien. Verder in deze aflevering: Hoe Deense afvalprikkenboer Zealand Pharma grote broer Novo Nordisk uitdaagde en... verloor omdat patiënten massaal begonnen te braken Handel in voorkennis, want de AFM waarschuwt firma's die zich bezighouden met fusies en overnames dat er criminelen op pad zijn die koersgevoelige informatie proberen te ontfutselen. Genoeg reden voor Arend Jan om nog eventjes herinneringen op te halen over oude schandalen. Te gast: Arend Jan Kamp van Stockwatch.nl en de podcast Het Beurscafé BNR Beurs is een journalistiek onafhankelijke productie, mede mogelijk gemaakt door Saxo. Over de makers: Jelle Maasbach is presentator van BNR Beurs en freelance financieel journalist. Zijn favoriete aandeel om over te praten is Disney, maar daar lijkt hij de enige in te zijn. Sinds de eerste uitzending van BNR Beurs is 'ie er bij. Maxim van Mil is presentator van BNR Beurs en journalist bij BNR, waar hij zich focust op de financiële markten en ontwikkelingen in de tech-wereld. Je krijgt hem het meest enthousiast als hij kan praten over ASML, of oer-Hollandse bedrijven zoals Ahold of ABN Amro. Jorik Simonides is presentator van BNR Beurs, economieredacteur en verslaggever bij BNR. Hij wordt er vooral blij van als het een keer níet over AI gaat. Je hoort hem ook in de BNR-podcast Moerdijk: dorp van de rekening. Milou Brand is presentator van BNR Beurs, freelance podcastmaker en columnist bij het Financieele Dagblad. Jochem Visser is presentator van BNR Beurs, maakt Beursnerd XL en is redacteur bij de podcast Onder Curatoren. Vraag hem naar obscure zaken op financiële markten en hij vertelt je waarom het eigenlijk nóg leuker is dan je al dacht. Over de podcast: Met BNR Beurs ga je altijd voorbereid de nieuwe beursdag in. We praten je in een kleine 25 minuten bij over alle laatste ontwikkelingen op de handelsvloer. We blijven niet alleen bij de AEX of Wall Street, maar vertellen je ook waar nog meer kansen liggen. En we houden het niet bij de cijfers, maar zoeken ook iedere dag voor je naar duiding van scherpe gasten en experts. Of je nu een ervaren belegger bent of net begint met je eerste stappen op de beurs, de podcast biedt waardevolle inzichten voor je beleggingsstrategie. Door de focus op zowel de korte termijn als de lange termijn, helpt BNR Beurs luisteraars om de ruis van de markt te scheiden van de essentie. Van Musk tot Microsoft en van Ahold tot ASML. Wij vertellen je wat beleggers bezighoudt, wie de markten in beweging zet en wat dat betekent voor jouw beleggingsportefeuille.See omnystudio.com/listener for privacy information.

Wat onthoud je van een grote ronde? In tien jaar De Rode Lantaarn hebben we heel wat Giro's zien passeren. De kurk in het oog van Girmay. Winner Taco in Canale. Dumoulin Dumoulin Dumoulin. En nu: Vingegaard, die de trilogie completeert. Eulalio, die iedereen blij maakte. En Rubio, die iedereen boos maakte, en daarmee toch ook weer blij. Jonne, Tim en Frank blikken terug op drie skitterende weken koers in Italië en stellen de vraag: wat onthouden we van deze Giro?

Fluent Fiction - Dutch: Transforming Capri: Lotte's Journey of Discovery Find the full episode transcript, vocabulary words, and more:fluentfiction.com/nl/episode/2026-05-30-22-34-02-nl Story Transcript:Nl: De zon scheen fel op het blauwe water van Capri.En: The sun shone brightly on the blue waters of Capri.Nl: Lotte staarde naar de horizon en ademde diep in.En: Lotte stared at the horizon and took a deep breath.Nl: Ze was ver van huis, ver van Nederland, en in het begin voelde ze zich verloren.En: She was far from home, far from Nederland, and at first, she felt lost.Nl: Maar nu was ze hier, in Italië, op een studiereis.En: But now she was here, in Italië, on a study trip.Nl: En ze was vastbesloten om het meeste van haar tijd te maken.En: And she was determined to make the most of her time.Nl: Haar eerste dag was chaotisch.En: Her first day was chaotic.Nl: Ze begreep de mensen niet goed en miste haar vrienden thuis.En: She didn't understand the people well and missed her friends at home.Nl: Het voelde als een andere wereld.En: It felt like a different world.Nl: Maar ze was niet alleen.En: But she wasn't alone.Nl: Milan, een medestudent die hier al langer was, zat bij haar in de klas.En: Milan, a fellow student who had been here longer, was in her class.Nl: Hij glimlachte altijd en leek de taal van de lokale bevolking perfect te spreken.En: He always smiled and seemed to speak the local language perfectly.Nl: "Lotte, kom je mee naar de markt?"En: "Lotte, are you coming to the market?"Nl: vroeg Milan op een dag.En: Milan asked one day.Nl: "Ze hebben hier de beste gelato!"En: "They have the best gelato here!"Nl: Lotte glimlachte en knikte.En: Lotte smiled and nodded.Nl: Samen liepen ze door de smalle straatjes.En: Together they walked through the narrow streets.Nl: De lucht was zwaar van de geur van kruiden en bloemen.En: The air was heavy with the scent of herbs and flowers.Nl: De markt was levendig en kleurrijk.En: The market was lively and colorful.Nl: Mensen kochten groenten, fruit en bloemen.En: People bought vegetables, fruits, and flowers.Nl: De zon verwarmde hun gezichten, en Lotte voelde zich een beetje meer op haar gemak.En: The sun warmed their faces, and Lotte felt a bit more at ease.Nl: "Laten we naar het festival vanavond," stelde Milan voor.En: "Let's go to the festival tonight," Milan suggested.Nl: "Het is een geweldige kans om de cultuur te ervaren."En: "It's a great opportunity to experience the culture."Nl: Zenuwachtig maar vastberaden stemde Lotte in.En: Nervous but determined, Lotte agreed.Nl: Die avond, toen de lucht oranje kleurde, trok ze haar mooiste jurk aan en volgde Milan naar het plein.En: That evening, as the sky turned orange, she put on her prettiest dress and followed Milan to the square.Nl: Het festival was betoverend.En: The festival was enchanting.Nl: Er waren lichten, muziek en dans.En: There were lights, music, and dancing.Nl: Mensen lachten en genoten.En: People laughed and enjoyed themselves.Nl: Op een gegeven moment werd Lotte meegesleept in een dans door een paar vriendelijke Italiaanse vrouwen.En: At one point, Lotte was swept into a dance by a couple of friendly Italian women.Nl: Ze lachte en danste, en vergat haar zorgen.En: She laughed and danced, forgetting her worries.Nl: Maar toen, midden in de vrolijkheid, gebeurde er iets bijzonders.En: But then, amidst the merriment, something special happened.Nl: Een oudere dame keek haar aan en vroeg iets in het Italiaans.En: An older lady looked at her and asked something in Italian.Nl: Lotte aarzelde even, haalde diep adem en antwoordde in het Italiaans: "Mi piace molto questo festival!"En: Lotte hesitated for a moment, took a deep breath, and replied in Italian: "Mi piace molto questo festival!"Nl: De woorden vloeiden eruit zonder nadenken.En: The words flowed out without thinking.Nl: De dame glimlachte breed en aaide haar over haar arm.En: The lady smiled broadly and patted her arm.Nl: "Bravo!"En: "Bravo!"Nl: zei ze.En: she said.Nl: Lotte voelde zich trots.En: Lotte felt proud.Nl: Ze was begrepen en had nieuwe vrienden gemaakt.En: She was understood and had made new friends.Nl: Ze voelde zich niet langer een buitenstaander.En: She no longer felt like an outsider.Nl: Die nacht, terwijl de sterren boven Capri schitterden, wist Lotte dat ze het juiste had gedaan.En: That night, as the stars sparkled above Capri, Lotte knew she had done the right thing.Nl: Ze voelde zich nu meer verbonden met de mensen, de omgeving en met zichzelf.En: She now felt more connected with the people, the surroundings, and herself.Nl: Ze had de stap gezet om uit haar comfortzone te komen, en dat maakte alles beter.En: She had taken the step to step out of her comfort zone, and that made everything better.Nl: Toen de zon de volgende ochtend opkwam, was Lotte klaar voor een nieuw avontuur, met een glimlach en een open hart.En: When the sun rose the next morning, Lotte was ready for a new adventure, with a smile and an open heart.Nl: Capri had haar welkom geheten, en eindelijk, voelde ze zich thuis.En: Capri had welcomed her, and finally, she felt at home. Vocabulary Words:shone: scheenbrightly: felhorizon: horizondetermined: vastbeslotenchaotic: chaotischlocal: lokalenarrow: smallescent: geurlively: levendigcolorful: kleurrijkopportunity: kansnervous: zenuwachtigenchanted: betoverendswept: meegesleeptmerriment: vrolijkheidhesitated: aarzeldeflowed: vloeidenproud: trotsoutsider: buitenstaandersparkled: schitterdensurroundings: omgevingcomfort zone: comfortzoneadventure: avontuurwelcomed: welkom gehetenfelt: voeldestudy trip: studiereismist: mistevegetables: groentenherbs: kruidenencounter: ervaring

Nu het seizoen voorbij is weet Jordi Cruijff wat hem te doen staat. Hij kent de budgetten. Hij weet wat hij te bieden heeft. Nu kijken wie er wel of niet komt. In de AD Voetbalpodcast nemen Etienne Verhoeff en Johan Inan het door. Ook bespreken ze de nieuwe trainer van Sparta, de ontslagen trainers in Italië, de voorbereidingsstage van Oranje en de WK selectie van Spanje. Beluister de hele AD Voetbalpodcast nu via AD.nl, de AD App of jouw favoriete podcastplatform. Bestel het boek De vraag van Vandaag hier: https://webwinkel.ad.nl/product/de-vraag-van-vandaagSupport the show: https://krant.nl/See omnystudio.com/listener for privacy information.

Het zou een sprintetappe zijn, maar de etappe naar Milaan verliep helemaal anders. Een Noorse vreemde eend in de kopgroep gaat er met de winst vandoor, Vingegaard trekt het roze aan en er moet een wonder gebeuren wil hij die trui niet mee naar het podium in Rome slepen. Bettiol pakt na lang droog staan weer een overwinning. En Arensman? Die blijft gewoon staan in de bergen. Jonne en Frank bespreken het allemaal met schrijfster en Italiëkenner Lidewey van Noord.

Fluent Fiction - Dutch: Finding Inspiration: An Artist's Tropical Cafe Revelation Find the full episode transcript, vocabulary words, and more:fluentfiction.com/nl/episode/2026-05-23-07-38-20-nl Story Transcript:Nl: De zon scheen door de glazen ramen van het café Urban Jungle.En: The sun shone through the glass windows of het café Urban Jungle.Nl: De lucht was fris en het geluid van pratende mensen vulde de ruimte.En: The air was fresh, and the sound of people talking filled the space.Nl: Sander zat aan een klein tafeltje in de hoek, omringd door groene planten.En: Sander sat at a small table in the corner, surrounded by green plants.Nl: Het café leek op een tropische paradijs in het midden van de stad.En: The café resembled a tropical paradise in the middle of the city.Nl: Sander was een kunstenaar.En: Sander was an artist.Nl: Hij was stil en dacht diep na.En: He was quiet and deep in thought.Nl: Er was een kunsttentoonstelling over een maand en hij had nog geen idee voor zijn schilderij.En: There was an art exhibition in a month, and he still had no idea for his painting.Nl: Hij keek om zich heen, probeerde inspiratie te vinden tussen de planten en mensen.En: He looked around, trying to find inspiration among the plants and people.Nl: Maar de geluiden en geuren leidden hem af.En: But the sounds and smells distracted him.Nl: Plots zwaaide de deur open.En: Suddenly, the door swung open.Nl: Inez en Tom kwamen binnen met een vrolijk humeur.En: Inez and Tom entered in a cheerful mood.Nl: Ze zagen Sander en kwamen meteen naar zijn tafel.En: They saw Sander and went straight to his table.Nl: "Hallo Sander!"En: "Hello Sander!"Nl: riep Inez.En: called Inez.Nl: "Hoe gaat het met je kunst?"En: "How is your art going?"Nl: Sander glimlachte zwakjes.En: Sander smiled faintly.Nl: "Ik ben vastgelopen," gaf hij toe.En: "I'm stuck," he admitted.Nl: "Ik probeer inspiratie te vinden, maar het lukt niet."En: "I'm trying to find inspiration, but it's not working."Nl: "Doe rustig aan," zei Tom.En: "Take it easy," said Tom.Nl: "Misschien helpt een pauze.En: "Maybe a break will help.Nl: Vertel, wat zijn jouw plannen?"En: Tell us, what are your plans?"Nl: De drie vrienden begonnen te praten.En: The three friends began to talk.Nl: Over dromen, reizen en de toekomst.En: About dreams, travel, and the future.Nl: Sander luisterde aandachtig.En: Sander listened intently.Nl: Hun verhalen namen hem mee naar verre oorden en nieuwe ideeën.En: Their stories took him to distant places and new ideas.Nl: Op een gegeven moment vertelde Inez over een avontuur in Italië.En: At a certain point, Inez told about an adventure in Italy.Nl: Hoe de kleuren van de zonsondergang de huizen rood en oranje maakten.En: How the colors of the sunset turned the houses red and orange.Nl: En ineens, als een bliksemschicht, had Sander een idee.En: And suddenly, like a lightning bolt, Sander had an idea.Nl: De zon, de kleuren, het licht.En: The sun, the colors, the light.Nl: Zijn gedachten kwamen eindelijk samen.En: His thoughts finally came together.Nl: Hij greep een servet van de tafel en begon te schetsen.En: He grabbed a napkin from the table and began to sketch.Nl: Lijnen, vormen, kleuren.En: Lines, shapes, colors.Nl: Zijn hand bewoog bijna vanzelf.En: His hand moved almost by itself.Nl: De schets op het servet was het begin van zijn nieuwe schilderij.En: The sketch on the napkin was the beginning of his new painting.Nl: Inez en Tom keken gefascineerd toe.En: Inez and Tom watched, fascinated.Nl: "Wat is het?"En: "What is it?"Nl: vroeg Tom.En: asked Tom.Nl: "Dit," zei Sander met een grote glimlach, "is het onderwerp voor de kunsttentoonstelling."En: "This," said Sander with a big smile, "is the subject for the art exhibition."Nl: Hij voelde zich opgelucht en opgewonden.En: He felt relieved and excited.Nl: De gesprekken met zijn vrienden hadden zijn verbeelding aangewakkerd.En: The conversations with his friends had sparked his imagination.Nl: Opeens leek de Urban Jungle niet meer te lawaaierig, maar juist vol leven en inspiratie.En: Suddenly, Urban Jungle no longer seemed too noisy, but full of life and inspiration.Nl: Sander bedankte Inez en Tom.En: Sander thanked Inez and Tom.Nl: Vanaf dat moment besloot hij zichzelf open te stellen voor afleidingen.En: From that moment on, he decided to embrace distractions.Nl: Voor hem waren interacties geen obstakel meer, maar een bron van creativiteit.En: For him, interactions were no longer an obstacle but a source of creativity.Nl: De zon ging langzaam onder achter de stad.En: The sun slowly set behind the city.Nl: Sander wist dat dit het begin was van een nieuw en inspirerend hoofdstuk in zijn artistieke reis.En: Sander knew that this was the beginning of a new and inspiring chapter in his artistic journey. Vocabulary Words:shone: scheenresembled: leek opexhibition: tentoonstellinginspiration: inspiratiedistracted: afleidenswung: zwaaidecheerful: vrolijkstuck: vastgelopenbreak: pauzeintently: aandachtigadventure: avontuursunset: zonsonderganglightning bolt: bliksemschichtembrace: openstellenrelieved: opgeluchtobstacle: obstakelsparked: aangewakkerdimagination: verbeeldingchapter: hoofdstukjourney: reisparadise: paradijscorner: hoekreen plants: groene plantenthoughts: gedachtensketch: schetslines: lijnenshapes: vormensources: bronnensurrounded: omringdfascinated: gefascineerd

Laurens en Stefan gaan verder, net terug van een weekendje Zuid-Limburg. Een weekendje gravelfeest bij Marly Grav, maar natuurlijk is ook de Giro inmiddels onderweg. Ook al zitten de heren er nog niet 100% in, nu de karavaan weer in Italië is neergestreken gaat het roze bloed toch weer wat sneller stromen. Over Bulgarije en de bacteriecultuur, over het onthoofde UAE Team Emirates en over de verantwoordelijkheid van de renners rond veiligheid. En hoe zat het ook alweer met de rechte lijn?Je hoort het allemaal in weer een nieuwe aflevering van de Live Slow Ride Fast podcast.